> ## Content Index > Fetch the complete content index at: https://fomoera.com/llms.txt > Use this file to discover other available public pages before exploring further. # Nvidia presenta GR00T 2 para enseñar tareas a robots con pocas demostraciones - URL: https://fomoera.com/nvidia-gr00t-2-robots-demostraciones/ - Published: 2026-11-11T12:00:00.000Z - Updated: 2026-11-11T12:00:00.000Z - Description: La empresa reporta un 95 % de éxito con cinco demostraciones por tarea. El resultado procede de una selección de 50 tareas y requiere un ajuste posterior. - Author: Patricia Rodriguez - Tags: Tecnología y Ciencia, IA Nvidia presentó GR00T 2, un modelo de inteligencia artificial para robots que alcanzó un 95 % de éxito promedio en 50 tareas después de recibir cinco demostraciones por tarea y pasar por un ajuste adicional, según pruebas de la propia compañía. La forma en que se eligieron las tareas limita el alcance de esa cifra. La empresa mostró el modelo el 9 de noviembre en la Conference on Robot Learning, celebrada en Austin, Texas. También presentó aplicaciones de Isaac Lab 3.0, una herramienta para entrenar robots en simulaciones que ya estaba disponible antes del evento. GR00T 2 combina observaciones de video con instrucciones y datos sobre el estado del robot. A partir de ellos, predice cómo podría cambiar la escena y genera una secuencia de movimientos. Nvidia busca que el conocimiento adquirido con personas y distintas máquinas ayude a un robot a ejecutar tareas para las que tiene pocos ejemplos propios. ## Qué mide el 95 % de éxito La evaluación utilizó un robot con dos manos Sharpa de cinco dedos. Las 50 tareas aparecían en videos humanos o en datos de otros robots, pero no en los datos previos de la máquina evaluada, explica Nvidia en la página del proyecto. Sin demostraciones específicas con ese robot, el modelo completó al menos una vez 40 de las 50 tareas. En esa modalidad, su promedio de éxito fue del 40 %: haber logrado una tarea una vez no significa que la completara en todos los intentos. Con una demostración por tarea y un ajuste del modelo, el promedio subió al 71 %. Con cinco demostraciones y el ajuste posterior, llegó al 95 %. Nvidia precisa que los cinco ejemplos sumaban menos de tres minutos de datos del robot por tarea y que cada adaptación tomó unos 30 minutos en una tarjeta gráfica RTX 5090. Hay una condición en la selección. CtrlTechDaily, en su lectura del informe técnico de Nvidia, señala que las tareas se eligieron entre aquellas que el modelo podía aprender con cinco demostraciones y alcanzar al menos un 80 % de éxito. El promedio del 95 % describe ese conjunto seleccionado y no demuestra el mismo rendimiento en cualquier tarea. ## El video humano es una parte del entrenamiento El equipo de Nvidia indica que el entrenamiento previo combinó 402,730 horas de video en primera persona de actividades humanas con 10,184 horas de demostraciones mediante una pinza manual y 23,500 horas de teleoperación de robots. Es decir, el modelo no se entrenó únicamente con imágenes de personas. De ese material humano, Nvidia afirma que 100,000 horas están disponibles abiertamente como Human-1M-100K. La página de GR00T 2 indica que el código estará disponible en diciembre de 2026. En una prueba distinta, la empresa mostró un robot de dos manos que preparó un embudo de laboratorio con papel de filtro y lo humedeció. Nvidia reporta un 65 % de éxito en esa tarea, aprendida a partir de demostraciones humanas sin ejemplos de teleoperación específicos para ella. ## La simulación ensaya tareas antes del robot físico Isaac Lab cumple otra función: permite crear entornos donde los robots practican y se evalúan antes de llevar una habilidad a una máquina física. Nvidia informó el 21 de octubre que Isaac Lab 3.0 ya estaba disponible; en la conferencia lo presentó junto con GR00T 2. La versión permite trabajar con motores de física como Newton y PhysX. En una prueba de manipulación basada en visión, Nvidia reporta que Isaac Lab 3.0 con Newton logró hasta 2.5 veces el rendimiento de entrenamiento de Isaac Lab 2.3 con PhysX. La comparación corresponde a esa prueba y a esas configuraciones. Otro proyecto, AlphaNIST, utilizó Isaac Lab para entrenar en simulación una sola política, es decir, un sistema que decide cómo actuar, en 20 tareas de ensamblaje. Nvidia informa de más de un 98 % de éxito durante el entrenamiento, frente al 81 % de políticas separadas para cada tarea, con unas 39 veces menos tiempo de GPU. Es una medición de entrenamiento simulado de AlphaNIST, no una tasa de éxito de GR00T 2 en una fábrica. ## Empresas que prueban el modelo Nvidia afirma que Foxconn aplica GR00T 2 a la automatización de la fabricación de servidores, que Siemens lo evalúa para usos industriales y que Nexuni lo prueba para manipular ropa. La compañía no proporcionó en su anuncio cifras de producción ni resultados de operación prolongada para esos casos. Esas mediciones ayudarían a comparar los ensayos con las condiciones de uso continuado: cambios de piezas, fallas, intervención humana y tiempo necesario para adaptar cada tarea. *Fuentes:* [1](https://research.nvidia.com/labs/gear/gr00t-2/?ref=fomoera.com), [2](https://blogs.nvidia.com/blog/robotics-simulation-advancements-corl/?ref=fomoera.com), [3](https://nvidianews.nvidia.com/news/nvidia-advances-isaac-platform-for-general-purpose-robotics-with-new-reference-humanoid-frameworks-simulation-pipelines-and-data?ref=fomoera.com), [4](https://www.ctrltechdaily.com/groot-2-isaac-lab-3-corl-2026/?ref=fomoera.com)