Nvidia представила модель GR00T 2, способную обучаться задачам по видео с людьми или другими роботами и предсказывать изменения окружающей среды после действий. В тестах на 50 задачах модель справилась в 40 % попыток без демонстраций, в 71 % при одной демонстрации и в 95 % при пяти демонстрациях.
Для адаптации каждой задачи потребовалось менее трёх минут демонстрационных данных и около 30 минут дообучения на одной видеокарте Nvidia RTX 5090. Модель основана на архитектуре World‑Action Model, которая получает последние кадры с камер, текстовую инструкцию и состояние машины, а затем генерирует будущие изображения и соответствующие движения.