GR00T 1.7 不只是一个 VLA：人形机器人策略开始拥有端到端工程栈
机器人基础模型的发布通常最吸引眼球的是演示：双臂抓取、全身移动、听懂自然语言。但团队真正花时间的地方，是把数据、模型、仿真、评测和真机控制接起来。
NVIDIA Isaac GR00T 1.7 的信号在于，VLA 不再只以论文 checkpoint 的形态出现。官方把 Isaac Teleop、Isaac Lab-Arena、GR00T 模型、Isaac ROS 和 TensorRT 组织成从数据采集到部署的完整路径，并以 Apache 2.0 开放模型与代码。
它离“通用人形机器人”仍然很远，却更接近团队能持续开发和回归的策略平台。
先拆模型：VLM 负责理解，Diffusion Transformer 负责动作
GR00T 1.7 接收图像、语言和机器人状态，先由视觉语言骨干形成语义与空间表示，再由 flow-matching Diffusion Transformer 生成连续动作序列。
这两个部分承担不同问题：
- VLM：目标是什么、对象在哪里、当前处于哪个子任务；
- 动作头：末端执行器怎样移动、夹爪怎样变化、连续动作怎样平滑。
相较输出离散技能名，连续动作生成能表达更细的运动；相较直接让语言模型输出坐标，扩散动作头更适合建模多种可行动作和轨迹分布。但它仍然不是电机控制器，最终动作必须经过机器人控制栈、频率适配和安全约束。
1.7 使用 Cosmos-Reason2-2B（Qwen3-VL 架构）替换旧视觉骨干，支持更灵活的分辨率和原始宽高比。模型总规模约 3B，官方仓库给出的推理起点是 16GB+ VRAM，微调建议 40GB+。
跨本体的关键是动作坐标，不只是更多数据
不同机器人关节数量、臂长、夹爪和控制接口都不同。把原始关节角直接混在一起训练，很容易让模型记住硬件，而不是学习任务。
GR00T 1.7 强调 relative end-effector action：动作表达为相对当前末端位姿的变化，而不是绝对目标或特定关节命令。人类手部运动和机器人末端运动因此可以在更接近的空间中对齐。
这并没有消除本体差异。相对位姿仍需通过逆运动学、可达性、碰撞和控制器变成各机器人的关节动作；双指夹爪学到的操作也不能直接变成五指手的触觉策略。但统一动作接口降低了预训练知识迁移的摩擦。
数据规模很大，数据契约更重要
NVIDIA 技术文章提到约 3.2 万小时真实示范与人类第一视角数据，以及约 8000 小时仿真 rollout 和示范；官方仓库特别说明其中包含约 2 万小时 EgoScale 人类视频。
大规模人类视频提供物体交互和任务先验，真机轨迹提供机器人状态—动作配对，仿真覆盖扰动和长尾。但三类数据不能简单拼接，必须统一：
- 相机、语言、状态、动作的时间同步；
- 本体、传感器、标定和坐标系元数据；
- 控制频率、动作 horizon 和执行 horizon；
- 成功、失败、中止、接管与环境版本；
- 数据授权、隐私和可追踪版本。
GR00T 使用 LeRobot 兼容格式，并支持多数据集路径和混合权重。真正影响微调结果的，往往不是总小时数，而是目标任务的有效轨迹、失败边界和数据分布是否匹配。
端到端平台的五个阶段
| 阶段 | 工具位置 | 必须产出的证据 |
|---|---|---|
| 环境建模 | Isaac Lab-Arena | 场景、机器人和传感器版本可复现 |
| 数据采集 | Isaac Teleop / 真机 | 同步 episode、标注与质量报告 |
| 后训练 | GR00T 1.7 | checkpoint、配置、数据清单、训练曲线 |
| 策略评测 | Arena / benchmark / 真机 | 成功、碰撞、时长、恢复和长尾 |
| 部署 | ONNX、TensorRT、Isaac ROS | 延迟、频率、硬件版本、回滚包 |
这条链的价值在版本连续性。一次成功演示可以来自手工环境和运气，策略平台要能回答：哪个数据集、哪个 checkpoint、哪个导出引擎、哪个控制参数在这台机器人上产生了这个结果。
Action Horizon 不等于可以开环执行
1.7 扩大了动作维度和预测 horizon。一次预测更长的动作块能降低模型调用频率，提升动作连贯性，却会增加开环风险：环境在执行过程中变化，后半段动作可能已不适用。
部署时要区分 prediction horizon 和 execution horizon。模型可以预测较长序列，但控制器只执行前几步，随后用新观测重规划。具体长度取决于：
- 任务动态性和接触程度；
- 感知与模型端到端延迟；
- 控制器是否有快速局部反馈；
- 动作误差随时间的累积速度；
- 硬件能否在紧急状态立即覆盖模型命令。
自由空间搬运可以执行更长块，插接、抓取闭合和人机共域动作应缩短 horizon，并依赖力觉或局部视觉快速闭环。
评测不能停在开环动作误差
离线预测与专家动作接近，不代表闭环任务成功。一个轻微偏差进入真实环境后会改变下一帧观测，误差可能迅速累积。
建议至少建立四层评测：
- 数据层：时间同步、动作分布、异常值和标定一致性。
- 开环层：动作误差、语言跟随、子任务识别、不同本体迁移。
- 仿真闭环：随机位姿、光照、遮挡、摩擦、延迟和传感故障。
- 真机闭环：成功率、碰撞、接管率、周期时间、力矩峰值和恢复能力。
官方报告 DROID 与 SimplerEnv 多项提升，其中部分子集提升很大，但每个团队仍需用自己的机器人和任务重测。跨 benchmark 的百分比不能直接变成生产成功率。
模型上方和下方都需要安全层
上方是任务安全：允许哪些对象、区域和工具，谁能批准高风险动作。下方是运动安全：工作空间、速度、力矩、碰撞、关节限制和急停。
VLA 的合理位置是两层之间：根据感知和语言提出受约束动作，安全控制器过滤或覆盖。部署还应包含：
- 模型置信度或 OOD 信号低时暂停并请求帮助；
- 感知超时、动作服务断连时进入零能量或安全姿态；
- 策略版本与机器人序列号绑定，禁止错配；
- 新策略灰度到少量机器人和限定工位；
- 失败 episode 自动进入可重放难例库。
GR00T 1.7 的真实意义：把集成成本变成可复用资产
基础模型不会替团队定义任务、标定相机、清洗数据、安装急停，也不会证明某个动作在你的工位安全。GR00T 1.7 更现实的贡献，是把长期分散的机器人学习工具接成一条可重复路径，让数据和评测接口逐渐稳定。
对产业团队来说，这比一次更炫的 demo 更重要。模型可能每几个月升级，真正应该沉淀的是本体适配、数据契约、场景库、验收器、部署包和失败回放。具备这些资产后，基础模型的进步才能安全地转化为机器人能力。