11月10日，英伟达在CoRL大会上发布机器人基础模型GR00T 2。官方把它定义成"世界动作模型"，因为它在同一个网络里做两件事：预测接下来画面会怎么变，以及机器人该输出什么动作。这两件事过去通常交给两个模型，一个做世界模型，一个做策略。
更值得注意的是数据来源。它不只吃机器人在真机或仿真里跑出来的轨迹，还能吃人的演示：手持夹爪采集的动作、戴着动作捕捉手套采集的手部动作，都可以作为训练输入。这一步把可用的数据从"机器人做过的事"扩展到"人做过的事"。
机器人数据的稀缺是结构性的。视频数据量大，但只有观察没有动作，模型看得到杯子被拿起来，不知道手指用了多大劲。真机遥操作数据有动作有反馈，但采一条少一条，换一个场景就得重来。这两类数据之间一直缺一座桥。
人的演示补的正是这座桥。人做同一件事的速度比遥操作快得多，采集成本低一个量级，而且天然包含力与节奏这些细节。难点在于本体差异：人的手与机械手在尺寸、自由度、关节顺序上都不同，动作不能直接照搬，必须映射。
GR00T 2的做法是把画面预测与动作预测放进同一个模型。预测画面提供了物理后果的监督信号，动作预测提供了执行路径，两者共享表示之后，模型学到的是"这样做会让世界变成那样"，而不是单纯的输入输出映射。这也是它被叫作世界动作模型的原因，也是最容易被误读的地方：它预测的画面不是为了给人看，是为了给自己算动作。
官方给的数字分两档。在目标机器人从未见过的50项任务上，零样本成功率是40%。这个数字不高，但对一个没有针对该本体训练过的模型，四成意味着它已经掌握了任务的大致结构，只是不熟悉这台机器的身体。
第二档是微调之后。补充五次演示，在单张RTX 5090上微调三十分钟，成功率升到95%。从40%到95%只用了五次演示和半小时，这个比例关系比绝对数字更关键，它决定了部署一个新任务的边际成本。
工程上要小心读这两个数字。50项任务是厂商选定的，任务分布会影响零样本表现；五次演示的效果也取决于演示质量，采集时动作是否规范、视角是否覆盖，都会让结果浮动。真实产线上还要处理光照变化、物体位置偏移、来料差异，这些不在评测集里。零样本四成与微调后九成五，衡量的是"这台机器学新活有多快"，不是"这台机器能顶几个工人"。
同一个模型要驱动三种差异极大的末端执行器：两指夹爪、多指灵巧手、人形机器人的全身。它们的自由度从一两个到几十个不等，动作空间的性质也不同。能不能共用一个模型，取决于输入输出接口怎么设计。
常见的做法是把动作空间抽象成统一的表示，比如末端位姿加手指关节角，再按本体做投影。这样模型学的是任务层面的动作意图，具体怎么落到电机上由一层适配器处理。这套设计的代价是精度损失，收益是同一个模型能覆盖更多本体。统一表示还有一个隐性好处，换本体时采集的演示数据可以继续用，不必为每台机器单独攒一个数据集。
对整机厂的意义在于选型自由度。过去换一个末端执行器，策略要重训；现在只要适配器写对，模型可以继续用。这也是通用机器人基础模型最实际的卖点，不是比专用策略更强，而是让换硬件的代价降下来。
单张RTX 5090、三十分钟，这两个条件组合起来说明了一件事：部署一个新手部任务的算力门槛已经降到消费级显卡的水平。对做产线集成的团队，这比"支持多少张卡并行训练"重要得多，因为现场往往只有一台工控机。
门槛降低会改变交付方式。过去部署一个新工序，要回总部训练、再回现场调试，来回几周；现在工程师在现场采五次演示、等半小时，就能看到结果。这种节奏上的变化会直接影响能不能接小批量、多品种的订单。
但半小时微调出来的策略，鲁棒性通常有限。演示覆盖不到的状态，模型容易失效；连续运行几个小时之后的漂移，也需要额外监控。工业客户真正买的是连续运转的稳定性，这一项没法用成功率数字替代，只能靠现场跑够时长来证明。这也是为什么不少集成商的做法是先拿一条产线做三个月的对照，再决定要不要铺开。
官方说代码计划在12月开放。开源之后会发生两件事：一是各种本体上的复现实验会快速铺开，二是失败案例也会被公开。这两件事对判断模型的实际边界都有价值，比发布会上的演示更能说明问题。
复现的关键变量是数据。同样的模型，用不同质量的人手演示去微调，结果会差很多。开源社区最容易忽略的恰好是采集规范，比如手腕角度、抓取速度、视角一致性。这些细节决定40%到95%这段跃迁能不能被复制。
还有一个待答的问题是与仿真的关系。如果这个模型能同时预测画面与动作，那么它天然可以充当仿真器里的策略评估工具，先在生成的画面里试错，再到真机上验证。这条路径一旦走通，机器人训练的迭代速度会再上一个台阶，而这也是世界模型最被期待的用处。