Nvidia rüstet sein Humanoiden-Modell auf GR00T N1.5 auf und will Trainingsdaten per Weltmodell in 36 Stunden statt fast drei Monaten erzeugen

Nvidia hat die Computex 2025 in Taipeh genutzt, um eine These zu untermauern: Der knappste Rohstoff der Humanoiden-Robotik, Demonstrationsdaten, lässt sich auf Grafikprozessoren herstellen. In einer Mitteilung vom 18. Mai 2025 stellte der Konzern Isaac GR00T N1.5 vor, die Weiterentwicklung des Humanoiden-Grundmodells GR00T N1, das Nvidia im März 2025 auf der GTC geöffnet hatte, sowie Isaac GR00T-Dreams, eine Blaupause, die Videos aus den Cosmos-Weltmodellen in Trainingsdaten für Roboter umwandelt.

Die wichtigste Zahl stammt von Nvidia Research. Nach Angaben des Unternehmens erzeugten die Forscher mit GR00T-Dreams die synthetischen Trainingsdaten für GR00T N1.5 in 36 Stunden; manuelles Sammeln durch Menschen hätte fast drei Monate gedauert. Laut der Forschungsseite von Nvidia wurde das Modell am 11. Juni 2025 auf GitHub und Hugging Face freigegeben. Die Modellkarte auf Hugging Face nennt 3 Milliarden Parameter, nach 2 Milliarden bei GR00T N1, und weist das Modell als bereit für die nichtkommerzielle Nutzung aus.

GR00T-Dreams arbeitet laut Nvidia in drei Schritten. Entwickler trainieren zunächst ein Cosmos-Predict-Weltmodell auf ihren eigenen Roboter nach. Aus einem einzigen Bild erzeugt die Blaupause dann Videos, in denen dieser Roboter neue Aufgaben in neuen Umgebungen erledigt. Zuletzt extrahiert sie aus den Videos Aktions-Token, verdichtete Bewegungsdaten, mit denen dem Roboter die neue Aufgabe beigebracht wird. Die Methode beschreibt ein Preprint namens DreamGen, das Nvidia-Forscher um Joel Jang, Seonghyeon Ye und Zongyu Lin am 19. Mai 2025 auf arXiv veröffentlichten. Demnach beherrschte ein Humanoide 22 neue Verhaltensweisen in bekannten und unbekannten Umgebungen, obwohl als Ausgangsbasis nur Teleoperationsdaten einer einzigen Greif- und Ablageaufgabe in einer Umgebung dienten. Die Autoren veröffentlichten zudem Code und den Videobenchmark DreamGen Bench.

Um das Modell herum ergänzte Nvidia die Werkzeugkette. Cosmos Reason, ein Weltmodell, das mit schrittweisem Schlussfolgern synthetische Daten kuratiert, ist auf Hugging Face verfügbar; Cosmos Predict 2, das in GR00T-Dreams steckt, wurde mit weniger Halluzinationen angekündigt. Isaac Sim 5.0 soll offen auf GitHub erscheinen, Isaac Lab 2.2 erhält Evaluierungsumgebungen für GR00T-N-Modelle. Nvidias offener Physical-AI-Datensatz umfasst nun 24.000 Bewegungstrajektorien von Humanoiden. Hinzu kommt die Blaupause GR00T-Mimic, die vorhandene Manipulationsdaten mit Omniverse und Cosmos anreichert.

Die Forschungsseite erläutert die Änderungen im Modell. Das Vision-Language-Modell bleibt im Vortraining wie im Feintuning eingefroren; Nvidia setzt nun ein auf Objektverortung getrimmtes Eagle-2.5-Modell ein, das im GR-1-Grounding-IoU-Test 40,4 Punkte erzielte, gegenüber 35,5 für Qwen2.5-VL 3B. Ein neues Lernziel namens FLARE (Future Latent Representation Alignment) erlaubt das Lernen aus menschlichen Videos, ohne künftige Bilder generieren zu müssen. Trainiert wurde N1.5 über 250.000 Schritte auf 1.000 H100-GPUs mit einer globalen Batchgröße von 16.384, mit eigenen GR-1-Daten, Open X-Embodiment, simulierten GR-1-Daten, DreamGen-Trajektorien und AgiBot-Beta.

Die gemeldeten Fortschritte sind deutlich, aber selbst gemessen. Auf einem realen Fourier GR-1, der eine von zwei Früchten auf einen Teller legen sollte, stieg die Rate korrekt befolgter Sprachanweisungen von 46,6 Prozent bei N1 auf 93,3 Prozent bei N1.5, die Gesamterfolgsquote von 43,3 auf 83,0 Prozent. Bei zwölf neuen, über DreamGen-Daten gelernten Verben kletterte die Erfolgsquote von 13,1 auf 38,3 Prozent. Nach Nachtraining mit 1.000 Teleoperationsepisoden auf einem Unitree G1 lag sie bei vier bekannten Früchten bei 98,8 Prozent und bei fünf unbekannten Objekten bei 84,2 Prozent; N1 kam in derselben Aufgabe auf 44,0 Prozent.

Als frühe Nutzer der GR00T-N-Modelle nannte Nvidia vier Unternehmen. Das koreanische AeiROBOT setzt sie ein, damit sein Roboter ALICE4 natürlichsprachliche Anweisungen bei industriellen Greifaufgaben versteht, Foxlink zur Flexibilisierung von Industriemanipulatoren, Lightwheel zur Validierung synthetischer Daten für den Fabrikeinsatz von Humanoiden. Das deutsche Unternehmen NEURA Robotics prüft die Modelle für die Entwicklung von Haushaltsautomatisierung. Agility Robotics, Boston Dynamics, Fourier, Mentee Robotics, NEURA Robotics und XPENG Robotics simulieren und trainieren laut Nvidia ihre Humanoiden in Isaac Sim und Isaac Lab, Skild AI nutzt die Werkzeuge für allgemeine Roboterintelligenz, General Robotics integriert sie in seine Plattform. Foxconn und Foxlink verwenden GR00T-Mimic in ihren Trainingsabläufen.

Taiwans Industrie zog sich durch die Keynote. Nach Nvidias Zusammenfassung nutzen TSMC, Foxconn, Wistron, Pegatron, Delta Electronics, Quanta und GIGABYTE Nvidia Omniverse für digitale Zwillinge; Nvidia und die Foxconn Hon Hai Technology Group wollen mit Taiwans Regierung einen KI-Fabrik-Supercomputer auf Blackwell-Basis aufbauen. Cisco, Dell Technologies, Hewlett Packard Enterprise, Lenovo und Supermicro kündigten RTX-PRO-6000-Blackwell-Server an; mit GB200 NVL72 in der DGX Cloud verspricht Nvidia bis zu 18-fache Leistung bei der Datenverarbeitung. Der Roboterrechner Jetson Thor galt damals noch als demnächst verfügbar und erreichte Entwickler im August 2025.

Für Europa ist die Konstellation aufschlussreich. NEURA Robotics war das einzige deutsche Unternehmen in der Mitteilung und zugleich in zwei Rollen genannt, als Prüfer der GR00T-Modelle und als Nutzer von Isaac Sim und Isaac Lab. Für Maschinenbauer und Automatisierer aus dem Mittelstand, die keine eigenen Grundmodelle trainieren können, ist ein vortrainiertes offenes Modell ein günstiger Einstieg. Die nichtkommerzielle Lizenz schränkt den Einsatz in Serienprodukten jedoch ein. Im Wettbewerb stehen Anbieter eigener Robotergehirne wie Figure, das sein Vision-Language-Action-Modell Helix im Februar 2025 vorstellte, und Skild AI, das trotz Isaac-Nutzung ein eigenes Generalmodell entwickelt.

Technisch betrachtet ist GR00T N1.5 ein Vision-Language-Action-Modell. Ein eingefrorenes Sprach-Bild-Modell liest Kamerabilder und Anweisungen, ein diffusionsbasiertes Aktionsmodul übersetzt dies in Gelenkbefehle. GR00T-Dreams setzt bei den Daten an. Statt jede neue Aufgabe von Menschen per Fernsteuerung aufzeichnen zu lassen, stellt sich ein Weltmodell die Ausführung als Video vor, und ein weiteres Modell leitet die Motorbefehle ab, die dieses Video erzeugt hätten.

Offene Fragen bleiben. Alle Messwerte stammen aus Nvidias eigenen Tests mit wenigen Aufgaben und Robotern, vor allem Fouriers GR-1 und Unitrees G1. Die 36 Stunden beziffern die Datenerzeugung für ein Modell-Update, nicht die Zeit bis zum produktiven Einsatz in einer Fabrik. Generierte Videos können physikalisch unmögliche Bewegungen enthalten, weshalb Nvidia ein eigenes Schlussfolgerungsmodell zur Filterung vorschaltet. Und die Lizenz bremst die Kommerzialisierung bei Partnern.