95% 是筛出来的，40% 才是真的：GR00T 2 这份成绩单，该读的是那 +20 个百分点

英伟达自己的白皮书里写了一句很关键的话（由英文源转述）：五次演示的那批任务，是预先筛选过的，只保留模型本来就能学到 80% 成功率以上的题。所以 95% 这个数「部分是靠构造得来的」。

这句话的分量比它看上去重。它意味着这个实验的设计不是「随机抽 50 个任务，看模型能学到什么」，而是「先确认模型学得会，再测它学得多好」。两种设计的结论完全不同：前者回答「能不能用」，后者回答「好不好用」。

判断：这不是造假，是基准设计的常规做法，但它决定了这个数字不能拿来对外承诺。如果一家集成商拿着「五次演示 95%」去跟客户谈验收标准，交付现场大概率会翻车——因为客户的场景不在那批预筛过的题里。真正该拿去谈的是 40%，那个数才是「没见过的东西」。

更值得注意的是 40% 这个数字本身的含义。50 个任务里 40 个至少成功一次，说明模型的技能覆盖面已经相当宽；但平均成功率只有 40%，说明稳定性还远远不够。这两件事经常被一句「零样本 40%」糊在一起，实际是两条完全不同的产品路线：一条通向「什么都能试一下」，一条通向「每件都靠得住」。

判断：对工业客户来说，40% 和 0 没有区别。因为产线不允许「试一下」。这解释了为什么本次公布的落地案例全部停在试验阶段——洗衣、服务器制造、换网线，这些场景的共同点是有人兜底，而不是无人值守。

真正该盯的是这一组：训练混合里掺进人类第一人称视频之后，72 个真机任务的进度从 50% 提到 70%。

这个 +20 点之所以重要，是因为它回答了一个争论了两年的问题：人类视频到底能不能替代机器人数据？

过去的答案是「能，但要先做重定向，代价很高」。GR00T 2 给的是一个更具体的答案：在特定任务上，纯人类示范就能迁移过去。发布里给了两个可核查的例子——

研究人员佩戴动捕设备示范「放置、润湿滤纸」，双五指手 Dexter 完成同一任务，全程没有采集该任务的机器人遥操作示范，20 次试验成功率 65%。

研究人员用手持 UMI 夹爪示范组装玩具自卸卡车，技能迁移到 YAM 机械臂，两者夹爪形态不同，YAM 端到端完成最长约四分钟的装配任务，成功率 60%。

65% 和 60% 都不是能交付的数字，但它们的意义不在绝对值，而在分母：这两个任务都没有采过机器人数据。也就是说，这部分成功率是从零机器人数据起步拿到的。

判断：这 +20 点改写的是数据采购的预算表，不是榜单。原来一笔预算只能买遥操作数据（贵、慢、有物理上限），现在可以分一部分去买人类视频（便宜、快、量大）。对做集成的公司来说，这意味着「教会一台机器一个新任务」的成本曲线，第一次出现了第二个可选项。

但要把话说全：人类视频省掉的是「采集」，不是「适配」。X-Adapt 那套跨本体适配仍然是英伟达提供的，企业自己拿一批人类视频回去，并不能直接得到一台会干活的机器。省下来的钱，会以另一种形式回到「适配与调试」这一项上。

英文源给出的训练配比是这三项：

这张图最刺眼的地方是比例：人类视频是遥操作数据的 17 倍。

这个比例不是随便定的，它是被成本推出来的。按上一代数采中心的公开口径，遥操作有效数据的小时成本在数百元到上千元；而人类第一人称视频，靠的是众包与自采，单位成本低一到两个数量级。当两类数据的成本差着这么多倍时，模型设计者一定会想办法把便宜的那类用起来。

判断：GR00T 2 真正的技术贡献，是把「便宜数据」的可用比例从边角料提到了主粮。这件事的产业含义比参数强得多——它意味着未来比的不再是「谁有更多机器人」，而是「谁有更多样的人类动作视频」。而人类动作视频这件事，中国的短视频与直播生态恰好是全球最厚的。

不过有一个前提不能忘：视频要能用，得配上动作标注。英伟达这次同时开放了 Video to Data 工作流（把人类视频转成仿真机器人示范）和 EgoHand（从视频重建 3D 手部运动）。这两个工具才是人类视频能变成训练数据的关键环节，模型本身反而没那么稀缺。

这一块容易被中文报道读松。实际情况是三条线：

开放的：10 万小时人类视频（Human-1M-100K），带视频、语言标注、头手运动数据，CC BY 4.0。Video to Data 工作流和 EgoHand 模型也开源。Isaac Lab 3.0 已经 GA（10 月 20 日），这次是配着 GR00T 2 一起讲。

未定的：模型权重。研究页面上写的是「代码 12 月可用」，权重既没有许可证，也没有发布日期。

已经能用的：Turbo 变体在 Jetson Thor 上 124 毫秒出一次预测。这个数字对应的是 8Hz 左右的决策频率，够做慢速操作，不够做高动态平衡。

判断：「开源」这个词在这里要拆成「开放数据」和「开放权重」两件事。前者是行业公共品，后者是商业护城河。英伟达开放前者，是为了让更多人用它的数据格式和工具链；保留后者，是为了让这些人的算力最终落在它的芯片上。这个策略和它在 CUDA 上的做法是同一套逻辑。

对国内做具身模型的公司来说，这意味着一件很实际的事：可以白拿 10 万小时人类视频和转换工具，但模型上限仍然捏在别人手里。把开放数据当成「我们也有了」的进度，是误判。

发布里还夹了一条容易被略过的信息：Isaac Lab 3.0 接入 Newton 物理引擎之后，在某个灵巧操作基准上达到 Isaac Lab 2.3 + PhysX 的 2.5 倍训练吞吐，并且新增了对可形变物体（线缆、布料）和多关节机械手的建模能力。

「可形变物体」这五个字，比 2.5 倍重要。

因为真实世界里最难的不是搬箱子，是叠衣服、理线、装软包装——这些任务的物理过程高度依赖形变，传统刚体仿真根本模拟不了。仿真里跑不通，就只能回到真机采数据，成本立刻回到那套「8 小时折 2.5 小时」的结构里。

判断：具身智能的成本瓶颈，正在从「采不到数据」变成「仿真不够真」。前者靠人堆，后者靠算力和物理引擎。这条线一旦打通，数采中心的商业价值会被重新定价——因为能被仿真覆盖的任务，就不需要真机采了。

顺带说一句发布背景：同一天 Claude Fable 5.2 发布，蚂蚁灵波也在同一天开源了触觉基础模型 LingBot-Touch。三件事撞在一起，被不少媒体解读成「路线之争」。英伟达这边的表态是 Jim Fan 那句「不是寒冬是夏天」。

判断：「夏天」这个说法对，但要说清是谁的夏天。对提供数据、算力、仿真工具的一方，确实是夏天；对靠自采数据堆模型的整机厂，这个夏天意味着成本项又多了一条——别人已经把人类视频的价钱打下来了，你还在按小时买遥操作。

第一，对外引用只引 40%。「零样本 40%、给一次演示 71%」是一组诚实的数，客户听得懂，也不会在验收时反咬。引 95% 会把预期拉到不可能兑现的位置。

第二，把「教会一个新任务」拆成三段报价。采数据、做适配、上真机验证。GR00T 2 这类方案能压的是第一段，第二段和第三段仍然是人力和工时。这三段分开报，客户才知道钱花在哪。

第三，盯住「可形变物体」这个指标。下次评估任何一家具身模型或仿真平台，先问它能不能处理布料、线缆、软包装。能，说明它的仿真层真的在干活；不能，说明它还在刚体世界里刷分。