⚡ Veredicto rápido
- La cifra principal es real, y acotada. GR00T 2 tiene éxito en el 95 % de 50 tareas nuevas tras 5 demostraciones humanas, en las propias pruebas de NVIDIA. Es un salto genuino para el aprendizaje de robots.
- El contexto honesto: 40 % sin demostración, 71 % tras una. El modelo es brillante copiando una tarea que acaba de ver hacer a un humano unas pocas veces, y mucho más débil haciendo algo completamente nuevo.
- Nada que descargar todavía. Los pesos y el código están prometidos como lanzamiento abierto en diciembre de 2026. A noviembre, GR00T 2 es un anuncio y un artículo de investigación, no un producto que puedas ejecutar.
- La verdadera historia son los datos de entrenamiento. 402.730 horas de vídeo humano en primera persona: robots que aprenden mirando a las personas, no programados a mano para cada tarea.
Es posible que ganemos una comisión si compras a través de nuestros enlaces, sin coste adicional para ti.
Cada pocos años, un anuncio de robótica llega con una cifra tan buena que parece un error tipográfico. En noviembre de 2026, la de NVIDIA fue el 95 %: su nuevo modelo de robot humanoide, GR00T 2, tuvo éxito en el 95 % de 50 tareas que nunca había visto, después de ver a un humano demostrar cada una solo cinco veces. Para un campo en el que enseñarle a un robot una sola tarea nueva solía significar semanas de programación o cientos de demostraciones recogidas por robots, esa cifra es toda la historia. También es, como siempre, una cifra que hay que desmenuzar antes de creerla.
GR00T 2 se lanzó el 9 de noviembre de 2026 en CoRL, la Conferencia sobre Aprendizaje de Robots, y es el mayor lanzamiento de robótica del año. Es un «modelo de acción del mundo» abierto y de vanguardia, construido sobre NVIDIA Cosmos, con 2.000 millones de parámetros, diseñado para convertir instrucciones en lenguaje y entrada de cámara en acciones físicas de robot. Foxconn, Siemens y Nexuni ya lo están probando en trabajo real: manejo de ropa, fabricación de servidores y tareas industriales. Y NVIDIA dice que los pesos y el código se publicarán abiertamente en diciembre de 2026, lo que pondría uno de los cerebros de robot más capaces jamás construidos a disposición de cualquier laboratorio de robótica del mundo.
Esta es una reseña investigada, no una prueba práctica: nadie fuera de NVIDIA ha ejecutado GR00T 2 todavía, porque el modelo no se ha publicado. Nuestro análisis se basa en el anuncio de lanzamiento y el artículo técnico de NVIDIA, los resultados de pruebas que publicó NVIDIA y reportes independientes de la semana de lanzamiento en noviembre de 2026 —las mismas fuentes que consultarías tú mismo— organizados en veredictos honestos. Explicamos qué es GR00T 2, qué mide realmente el 95 %, qué está abierto ahora y qué se abrirá en diciembre, y a quién debería importarle. Si quieres el panorama más amplio de los modelos abiertos, nuestra mejores modelos de IA de código abierto cubre los modelos que realmente puedes descargar hoy; para la otra gran historia de IA de noviembre, nuestra Meta Muse review cubre el modelo pequeño que ya está sacudiendo el mundo de los chatbots.
De un vistazo: NVIDIA GR00T 2
| GR00T 2 | |
|---|---|
| Creador | NVIDIA |
| Lanzamiento | 9 de noviembre de 2026, en CoRL |
| Qué es | Modelo de acción del mundo abierto y de vanguardia para robots humanoides |
| Construido sobre | NVIDIA Cosmos (modelo del mundo) |
| Tamaño | 2.000 millones de parámetros |
| Datos de entrenamiento | 402.730 horas de vídeo humano en primera persona |
| Resultado principal | 95 % de éxito en 50 tareas nuevas tras 5 demostraciones |
| Éxito zero-shot | 40 %: sin ninguna demostración |
| Éxito tras una demo | 71 %: tras una sola demostración |
| Primeros probadores | Foxconn, Siemens, Nexuni |
| Lanzamiento abierto | Pesos y código prometidos para diciembre de 2026 |
| ¿Disponible hoy? | No: solo anuncio y artículo, a noviembre de 2026 |
Todas las cifras son resultados de pruebas publicados por la propia NVIDIA en el lanzamiento de noviembre de 2026. La verificación independiente solo será posible tras el lanzamiento abierto de diciembre: consulta la página oficial de NVIDIA para conocer el estado actual.
Qué es realmente GR00T 2
Para entender GR00T 2, empieza por el problema que resuelve. Un robot humanoide es un cuerpo de propósito general: dos brazos, dos manos, cámaras por ojos, piernas o ruedas para moverse. El cuerpo es hoy la parte fácil; la parte difícil es el cerebro. Un robot que solo puede hacer las cinco tareas para las que fue programado es una máquina de un solo propósito muy cara. Un robot que puede aprender una tarea nueva viendo a un humano hacerla unas pocas veces es algo completamente distinto: es un trabajador que puedes volver a entrenar en una tarde.
Eso es para lo que está construido GR00T 2. Es un «modelo de acción del mundo»: un modelo que recibe lo que el robot ve a través de sus cámaras y lo que se le dice que haga en lenguaje, y produce las acciones físicas: adónde mover los brazos, cómo agarrar, cuánta fuerza usar, en qué orden. La parte de «mundo» importa: el modelo está construido sobre Cosmos, el modelo del mundo de NVIDIA, lo que significa que ha aprendido cómo se comporta el mundo físico —cómo se mueven los objetos al empujarlos, cómo se dobla la tela, cómo falla un agarre— en lugar de memorizar secuencias de movimientos. Cuando le dices «dobla la toalla», no reproduce una rutina de plegado memorizada; entiende, en la medida limitada en que un modelo puede, qué es doblar.
El modelo tiene 2.000 millones de parámetros, lo que es pequeño para los estándares de los chatbots —un modelo de lenguaje de vanguardia en 2026 es decenas o cientos de veces mayor—, pero grande para un cerebro de robot que debe funcionar lo bastante rápido como para controlar un cuerpo físico en tiempo real. Un robot no puede esperar dos segundos para decidir su siguiente movimiento; el modelo tiene que pensar en milisegundos, y 2.000 millones de parámetros es un tamaño elegido para ajustarse a esa restricción sin dejar de ser capaz.
GR00T 2 es el sucesor del primer GR00T, que NVIDIA anunció en 2024 como modelo base para robots humanoides. La primera versión demostró la idea; la segunda es la que tiene los números que importan. El salto entre ambas tiene que ver sobre todo con los datos: GR00T 2 se entrenó con mucho más vídeo humano, y los resultados lo demuestran.
El 95 %: qué mide realmente
Aquí está la cifra, enunciada con precisión, porque la precisión es el punto. NVIDIA probó GR00T 2 en 50 tareas que el modelo nunca había visto: tareas elegidas por ser nuevas, no variaciones de sus tareas de entrenamiento. Al modelo se le mostraron 5 demostraciones humanas de cada tarea y luego se le pidió que la realizara. Tuvo éxito el 95 % de las veces.
Es un resultado real, y realmente impresionante. Enseñarle a un robot una tarea nueva con cinco ejemplos es el tipo de eficiencia de muestra que el campo lleva una década persiguiendo. El método antiguo —recoger cientos de demostraciones con el robot real, o programar cada movimiento a mano— hacía que cada tarea nueva fuera cara. Cinco demostraciones humanas, filmadas con una cámara normal, son lo bastante baratas como para hacerlas en el suelo de una fábrica en una tarde.
Pero la misma prueba contiene otras dos cifras, y son el contexto honesto. Sin ninguna demostración —al modelo se le dice qué hacer en lenguaje, sin nada que copiar— tuvo éxito el 40 % de las veces. Tras una sola demostración, el 71 %. Así que la curva es empinada: 40 % con cero demos, 71 % con una, 95 % con cinco. Leída como historia, esa curva dice: GR00T 2 es muy bueno imitando, y todavía poco fiable inventando. Dale unos pocos ejemplos y es casi perfecto en las tareas probadas; pídele que resuelva algo en frío y falla más de lo que acierta.
Hay tres advertencias más que el titular no recoge. Primera: son las propias pruebas de NVIDIA, en tareas elegidas por NVIDIA, en condiciones controladas por NVIDIA. Los investigadores independientes aún no han tenido el modelo para probarlo, y no lo tendrán hasta el lanzamiento de diciembre. Segunda: el «éxito» en una prueba de robot suele significar que la tarea se completó según un estándar definido —la toalla doblada, la pieza colocada—, no que se hiciera rápido, con gracia o como lo haría un humano. Un robot que tiene éxito despacio y torpemente sigue contando como éxito. Tercera: 50 tareas son una muestra significativa pero pequeña, y son tareas que pueden probarse en un laboratorio: tareas de manipulación con resultados claros. Nadie ha mostrado todavía a GR00T 2 manejando el trabajo desordenado, interrumpido y ambiguo que llena una fábrica real o un hogar real.
Nada de esto convierte el 95 % en una cifra falsa. Lo convierte en una cifra de laboratorio con un significado claro: en tareas de manipulación nuevas, tras cinco demostraciones humanas, GR00T 2 es extremadamente fiable. Lo que no significa es «los robots ya pueden hacer el 95 % de los trabajos», «GR00T 2 funciona con cualquier cosa» o «los robots humanoides están listos para tu casa». La distancia entre un benchmark de laboratorio y un robot trabajando en un edificio real todavía se mide en años, no en semanas, y el reportaje honesto lo dice.
Aprender del vídeo humano: las 402.730 horas
El dato más interesante de GR00T 2 no es el 95 %. Son los datos de entrenamiento: 402.730 horas de vídeo humano en primera persona. Eso es aproximadamente 46 años de metraje continuo, filmado desde el punto de vista de la persona que realiza la tarea: manos que alcanzan, agarran, doblan, ensamblan, cargan. Es el mayor conjunto de datos de su tipo jamás usado para entrenar un modelo de robot, y representa una apuesta sobre cómo deberían aprender los robots.
La apuesta antigua eran los datos de robots: pones un robot en un laboratorio, le haces intentar tareas miles de veces, registras lo que funcionó y entrenas con eso. El problema es la escala: los robots son lentos, caros y se rompen. Puedes generar unos pocos miles de horas de datos de robot al año si te esfuerzas. Los humanos, en cambio, generan vídeo de sí mismos haciendo cosas constantemente, y una cámara en la cabeza convierte una jornada laboral normal en datos de entrenamiento. La apuesta de NVIDIA es que mirar a los humanos es mejor maestro que mirar a los robots, porque los humanos ya son buenos en las tareas y porque hay muchísimo más vídeo humano en el mundo.
Esa apuesta también es la razón de que basten cinco demostraciones. GR00T 2 no aprende una tarea desde cero cuando ve tus cinco demos: ya sabe, por esas 402.730 horas, cómo se mueven las manos, cómo se comportan los objetos, cómo se ve un doblez, cómo se siente un agarre. Las cinco demos no le enseñan la física; le dicen cuál de las muchas cosas que ya sabe hacer, en este caso concreto, en este orden concreto. Las demostraciones son un puntero, no una lección. Esa es la diferencia entre un modelo del mundo y una rutina memorizada, y es el corazón técnico de la historia de GR00T 2.
También hay un límite honesto en este enfoque. El vídeo humano le enseña a un robot lo que hacen las manos humanas, pero las manos de un robot no son manos humanas. Pinzas distintas, fuerza distinta, destreza distinta: un movimiento trivial para una muñeca humana puede ser imposible para un brazo de robot, y el modelo tiene que salvar esa brecha. El 95 % sugiere que el puente funciona en las tareas probadas. Si se mantiene en la gama mucho más amplia de cuerpos de robot del mundo real —brazos distintos, manos distintas, tamaños distintos— es una pregunta abierta que el lanzamiento de diciembre empezará a responder.
Qué está abierto ahora y qué se abrirá en diciembre
Esta es la parte de la historia en la que los lectores cuidadosos deberían ir más despacio, porque la palabra «abierto» está haciendo mucho trabajo en la cobertura de GR00T 2. NVIDIA llama a GR00T 2 un modelo abierto. Lo que eso significa, en concreto, es una promesa: los pesos y el código se publicarán abiertamente en diciembre de 2026. A noviembre de 2026, ese lanzamiento no ha ocurrido. No hay nada que descargar, nada que ejecutar, y ningún investigador independiente ha verificado el 95 % en su propio hardware.
Eso importa por dos razones. Primera: toda la evaluación de este artículo —y de todos los demás artículos publicados en noviembre— se apoya en las propias cifras de NVIDIA. Eso es normal en una semana de lanzamiento, y el equipo de robótica de NVIDIA tiene un historial sólido, pero sigue siendo una sola fuente. La historia de la IA está llena de cifras de lanzamiento que se encogieron cuando los laboratorios independientes obtuvieron el modelo. Segunda: el lanzamiento de diciembre es en sí mismo una prueba: «abierto» puede significar muchas cosas, desde pesos totalmente abiertos con una licencia permisiva hasta pesos con restricciones de uso comercial. Los detalles solo estarán claros cuando llegue el lanzamiento, y decidirán si GR00T 2 se convierte en una base compartida para todo el campo de la robótica o en un escaparate que la mayoría de los laboratorios solo puede admirar.
Si el lanzamiento es genuinamente abierto —pesos, código y una licencia que permite el uso comercial—, las consecuencias son grandes. Cada laboratorio de robótica del mundo obtendría gratis un cerebro de robot de vanguardia, y el ritmo del desarrollo humanoide se aceleraría bruscamente: startups que nunca podrían permitirse entrenar un modelo así podrían construir sobre él. Esa es la promesa que hace NVIDIA, y es la razón por la que el lanzamiento importa más allá del benchmark. Si el lanzamiento es restringido, la historia es menor: una impresionante demo de NVIDIA que se queda dentro del ecosistema de NVIDIA. Diciembre lo dirá.
Hasta entonces, el consejo práctico es sencillo: no planifiques todavía un proyecto en torno a GR00T 2. Observa el lanzamiento de diciembre, lee la licencia y espera las primeras pruebas independientes. El modelo seguirá ahí en enero, y para entonces alguien más lo habrá ejecutado en su propio robot y te habrá contado lo que ocurrió de verdad.
Quién lo está probando, y en qué trabajo
NVIDIA nombra tres empresas que están probando GR00T 2: Foxconn, Siemens y Nexuni. La elección de nombres es deliberada: cada una representa un tipo distinto de trabajo real, y juntas dibujan el mapa de hacia dónde se dirigen primero los robots humanoides.
Foxconn es el mayor fabricante de electrónica del mundo, y su interés es la fabricación de servidores: el trabajo de ensamblaje preciso, repetitivo y de alto volumen que llena sus fábricas. Un humanoide que puede aprender un nuevo paso de ensamblaje con cinco demostraciones es una propuesta distinta a un robot industrial fijo que debe reprogramarse con cada cambio, y la fabricación de servidores cambia constantemente, a medida que llegan nuevos modelos y componentes. La prueba trata de flexibilidad: ¿puede un robot de propósito general seguir el ritmo de una línea de producción que nunca se detiene?
Siemens es el gigante industrial, y su prueba trata del trabajo industrial en sentido amplio: las tareas de mantenimiento, inspección y manipulación dentro de plantas y almacenes. Siemens lleva décadas construyendo la capa de software para la automatización industrial, así que su interés en GR00T 2 es una señal de hacia dónde cree la industria que va la siguiente capa: no un robot fijo mejor, sino uno de propósito general que puede volver a entrenarse para el siguiente trabajo.
Nexuni es la más humana de las tres: su prueba implica el manejo de ropa —el doblado, la clasificación y el traslado de ropa de cama, básico en hoteles, hospitales y centros de atención. La ropa es la prueba perfecta para un modelo de acción del mundo, porque la tela es el material más difícil en robótica: se dobla, se desliza, no tiene forma rígida y cada pieza es distinta. Si GR00T 2 puede manejar la ropa con fiabilidad, puede manejar una amplia clase de tareas reales blandas y variables que han derrotado a los robots durante años.
Seamos claros sobre qué son estas pruebas: ensayos tempranos con empresas asociadas, no despliegues de producción. Nadie está anunciando que las fábricas de Foxconn ahora cuenten con robots GR00T 2, y nadie debería leerlo así. Las pruebas son la etapa en la que un resultado de laboratorio se encuentra con un edificio real —iluminación distinta, suelos distintos, objetos distintos, interrupciones distintas— y donde la brecha entre el 95 % en el laboratorio y la fiabilidad en el campo se mide con honestidad. Los resultados de estas pruebas, si NVIDIA y sus socios los comparten, serán las noticias más importantes de GR00T 2 a principios de 2027.
Lo que GR00T 2 puede y no puede hacer
Según la evidencia publicada hasta ahora, GR00T 2 puede hacer una cosa extremadamente bien: aprender una tarea de manipulación física con un puñado de demostraciones humanas y luego realizarla con fiabilidad en un entorno controlado. Eso cubre una clase de trabajo amplia y valiosa —recoger, colocar, doblar, clasificar, ensamblar, manipular—, las tareas que llenan fábricas, almacenes, lavanderías y talleres. La curva de aprendizaje de cinco demostraciones es la capacidad que importa, porque convierte el reentrenamiento de un proyecto en una tarde.
También puede hacer algo más sutil que importa a largo plazo: entender instrucciones en lenguaje y conectarlas con la acción física. «Pon la caja roja en el estante superior» no es un programa; es una frase, y GR00T 2 tiene que analizar la frase, encontrar la caja, planificar el alcance y ejecutar la colocación. Ese puente del lenguaje a la acción es lo que hace que un robot de propósito general sea realmente de propósito general, y es la capacidad que separa un modelo de acción del mundo de un controlador industrial tradicional.
Lo que no puede hacer —o no ha demostrado que pueda hacer— es igual de importante. No puede hacer con fiabilidad una tarea que nunca ha visto, sin demostración: un 40 % de éxito zero-shot está lejos de ser fiable. No puede razonar para salir de una situación inesperada como lo haría un trabajador humano: un objeto caído, un cajón atascado, un colega en el camino. No puede trabajar un turno completo sin supervisión, ni se le puede confiar trabajo crítico para la seguridad por sí solo. Y todavía no puede hacer nada de esto fuera de las propias pruebas de NVIDIA, porque el modelo no se ha publicado.
También hay una cuestión de coste que rara vez aparece en la cobertura del lanzamiento. Un cuerpo de robot humanoide, la computación para ejecutar un modelo de 2.000 millones de parámetros en tiempo real, las cámaras, el mantenimiento: el robot no es barato, y la economía solo funciona donde la mano de obra que reemplaza es cara o escasa, o donde el trabajo es peligroso o desagradable. La ropa, el ensamblaje de servidores y la manipulación industrial encajan en esa descripción. Tu casa, todavía no.
GR00T 2 frente al resto del mundo de los robots
GR00T 2 no llega al vacío. La carrera humanoide de 2026 está concurrida: el Optimus de Tesla, los humanoides de Figure, el Atlas de Boston Dynamics y una docena de startups bien financiadas están construyendo robots de propósito general, y la mayoría tiene sus propios modelos. Lo que hace diferente a GR00T 2 no es el robot —NVIDIA no construye los cuerpos—, sino el cerebro, y la decisión de abrirlo.
La mayoría de las empresas de robots mantienen sus modelos privados: el modelo es el foso, lo que hace que su robot sea mejor que el de la siguiente empresa. El negocio de NVIDIA es lo contrario. NVIDIA vende los chips y la plataforma de software sobre la que funcionan los robots de todos los demás. Un GR00T 2 abierto hace mejor a cada humanoide, y cada humanoide mejor necesita más computación de NVIDIA. El lanzamiento abierto no es generosidad; es estrategia: la misma estrategia que hizo de CUDA el estándar de la computación de IA. Si GR00T 2 se convierte en el cerebro predeterminado de los robots humanoides, NVIDIA gana aunque nunca venda un solo robot.
Eso también significa que la comparación que importa no es GR00T 2 contra un robot rival, sino GR00T 2 contra la alternativa cerrada: un mundo en el que cada empresa de robots entrena su propio modelo con su propio conjunto de datos pequeño, frente a un mundo en el que todos construyen sobre un modelo abierto compartido entrenado con 402.730 horas de vídeo humano. El segundo mundo avanza más rápido, y más rápido para todos, incluidas las pequeñas empresas y startups que nunca podrían permitirse entrenar un modelo así por sí mismas. Esa es la apuesta, y diciembre es cuando descubriremos lo real que es.
Para los lectores que siguen el mundo de los modelos abiertos en general, nuestra mejores modelos de IA de código abierto cubre los modelos de lenguaje e imagen que puedes descargar hoy: GR00T 2, si se mantiene el lanzamiento de diciembre, se une a esa lista como el primer modelo abierto de vanguardia para el trabajo físico. Y para la otra dirección de la misma tendencia —modelos pequeños haciendo grandes trabajos—, nuestra Meta Muse review cubre el modelo diminuto que empató con Claude Haiku a un tercio del coste.
La ventana de diciembre: qué observar
Las semanas entre ahora y el lanzamiento de diciembre son la parte más importante de la historia de GR00T 2, porque es cuando se pone a prueba la promesa. Hay cinco cosas que observar, y cada una responde a una pregunta distinta sobre lo que GR00T 2 llegará a ser realmente.
Primero, la licencia. «Abierto» es un espectro, y la licencia decide dónde cae GR00T 2. Una licencia permisiva que permita el uso comercial dejaría que startups y fábricas construyeran productos sobre el modelo; una licencia solo para investigación lo limitaría a los laboratorios. Lee el texto de la licencia cuando llegue —no la entrada del blog del lanzamiento, la licencia real—, porque ese documento, más que el benchmark, decide quién puede usar GR00T 2 y para qué.
Segundo, las primeras pruebas independientes. Una vez que los investigadores puedan descargar el modelo, lo ejecutarán en sus propios robots, en sus propias tareas, en sus propios laboratorios, y las cifras se mantendrán o se encogerán. Presta atención a las pruebas que usan cuerpos de robot distintos de los de NVIDIA, porque un modelo que solo funciona bien en un humanoide concreto es un logro más limitado que un modelo que se transfiere entre plataformas. GR00T 2 se encuentra dentro de la plataforma de robótica Isaac, más amplia, de NVIDIA, y la pregunta es hasta qué punto está ligado al hardware y a las herramientas de simulación propios de NVIDIA.
Tercero, qué tareas eligen las pruebas independientes. Las 50 tareas de NVIDIA eran tareas de manipulación con resultados claros. Las pruebas interesantes serán las desordenadas: tareas con interrupciones, con objetos que el modelo nunca ha visto, con instrucciones vagas o ambiguas. Un modelo que obtiene un 95 % en tareas limpias de laboratorio y un 50 % en tareas desordenadas sigue siendo un avance, pero un avance con un camino mucho más largo hasta el suelo de la fábrica.
Cuarto, la cuestión de la computación. Un modelo de 2.000 millones de parámetros funcionando en tiempo real necesita hardware serio en el propio robot, y ese hardware cuesta dinero, consume energía y genera calor. Observa los primeros informes sobre lo que GR00T 2 necesita para funcionar —qué chips, cuánta memoria, a qué velocidad—, porque el requisito de computación es la etiqueta de precio oculta, y decide si el modelo es práctico para alguien que no sean los laboratorios mejor financiados.
Quinto, los resultados de las pruebas. Foxconn, Siemens y Nexuni están probando GR00T 2 en trabajo real ahora mismo, y si comparten aunque sean resultados parciales a principios de 2027, esos resultados importarán más que cualquier benchmark. Una prueba de ropa que informe «dobla con fiabilidad durante cuatro horas y luego necesita un reinicio» te dice más sobre el estado de la robótica humanoide que cualquier cifra de lanzamiento. Observa esos informes y léelos con el mismo escepticismo que aplicarías a cualquier afirmación de un proveedor, pero léelos, porque son lo más cercano a la verdad de campo que tiene este campo.
A quién debería importarle GR00T 2
- Investigadores de robótica → observen diciembre. Si los pesos y el código se publican abiertamente, GR00T 2 se convierte en la base sobre la que construir. No planifiquen un proyecto en torno a él hasta que la licencia sea pública y lleguen las primeras pruebas independientes.
- Líderes de fabricación y logística → observen las pruebas de Foxconn y Siemens. La pregunta no es si GR00T 2 funciona en un laboratorio, sino si se mantiene en un suelo de producción real. Los resultados de las pruebas te dirán más que cualquier benchmark.
- Inversores en robótica y automatización → entiendan la estrategia. NVIDIA no vende robots; vende la plataforma sobre la que funciona cada robot. Un GR00T 2 abierto refuerza esa posición y eleva el listón para cada competidor de modelo cerrado.
- Desarrolladores y startups → el lanzamiento de diciembre es su momento. Un cerebro de robot de vanguardia que puedes descargar cambia lo que un equipo pequeño puede construir. Empiecen por la licencia y los requisitos de computación, no por el bombo.
- Lectores generales → disfruten el hito, mantengan honesto el calendario. GR00T 2 es un salto genuino en el aprendizaje de robots, y el resultado de las cinco demostraciones es la cifra de robótica más importante del año. No es un robot que puedas comprar, ni una fuerza laboral a punto de llegar. La brecha entre el laboratorio y la fábrica todavía se mide en años.
La conclusión es sencilla: GR00T 2 es el modelo de aprendizaje de robots más capaz jamás anunciado, y el 95 % es un resultado real en una prueba bien definida. El lanzamiento abierto de diciembre decidirá si se convierte en una base compartida para todo el campo o en un escaparate. En cualquier caso, la dirección es clara: los robots están aprendiendo como lo hacen los humanos, mirando, y los próximos años de la robótica los escribirá quien aprenda más rápido de esa idea.
Preguntas frecuentes
¿Qué es NVIDIA GR00T 2?
GR00T 2 es el modelo de acción del mundo abierto y de vanguardia de NVIDIA para robots humanoides, lanzado el 9 de noviembre de 2026 en la Conferencia sobre Aprendizaje de Robots (CoRL). Es un modelo de 2.000 millones de parámetros construido sobre NVIDIA Cosmos que convierte instrucciones en lenguaje y entrada de cámara en acciones físicas de robot. A diferencia de los modelos de robot anteriores, entrenados sobre todo con datos recogidos por robots, GR00T 2 aprende del vídeo humano —402.730 horas de vídeo en primera persona en su entrenamiento—, por lo que puede aprender tareas nuevas con un puñado de demostraciones humanas.
¿Qué significa realmente la tasa de éxito del 95 %?
La cifra del 95 % mide el éxito en 50 tareas nuevas en la configuración de pruebas de NVIDIA, después de que al modelo se le mostraran 5 demostraciones humanas de cada tarea. Las mismas pruebas muestran un 40 % de éxito sin ninguna demostración (zero-shot) y un 71 % tras una sola demostración. Así que la lectura honesta es: GR00T 2 es muy bueno copiando una tarea que acaba de ver hacer a un humano unas pocas veces, y mucho más débil haciendo algo que nunca ha visto. No significa que un robot pueda hacer el 95 % de los trabajos del mundo real.
¿NVIDIA GR00T 2 es de código abierto?
Todavía no, a noviembre de 2026. NVIDIA anunció GR00T 2 como un modelo abierto y dice que los pesos y el código se publicarán abiertamente en diciembre de 2026. Hasta que llegue ese lanzamiento, los investigadores y desarrolladores no pueden descargar ni ejecutar el modelo por sí mismos: lo que existe hoy es el anuncio, el artículo y los propios resultados de pruebas de NVIDIA. Consulta la página oficial de GR00T de NVIDIA para conocer el estado del lanzamiento antes de planificar cualquier trabajo en torno a él.
¿Quién está usando GR00T 2?
NVIDIA nombra a Foxconn, Siemens y Nexuni entre las empresas que están probando GR00T 2, en entornos que incluyen el manejo de ropa, la fabricación de servidores y el trabajo industrial. Son pruebas tempranas con empresas asociadas, no despliegues de producción: los robots se están probando en tareas reales de fábrica y servicio para ver dónde se mantiene el modelo fuera del laboratorio. Una adopción más amplia depende del lanzamiento abierto de diciembre y de los resultados de estas pruebas.
¿Cómo aprende GR00T 2 del vídeo humano?
GR00T 2 está entrenado con 402.730 horas de vídeo humano en primera persona: imágenes de personas haciendo tareas cotidianas con las manos, filmadas desde su propio punto de vista. Como el modelo está construido sobre Cosmos, el modelo del mundo de NVIDIA, aprende la física de esas tareas: cómo se mueven los objetos, cómo agarran las manos, qué ocurre cuando empujas, levantas o doblas algo. Por eso bastan unas pocas demostraciones para enseñarle una tarea nueva: ya entiende el mundo físico por mirar a los humanos, y la demostración le muestra qué hacer en este caso concreto.
¿Puedo ejecutar GR00T 2 en mi propio robot?
Todavía no. Los pesos y el código están programados para su lanzamiento abierto en diciembre de 2026, y hasta entonces no hay nada que descargar. Incluso después del lanzamiento, GR00T 2 es un modelo de 2.000 millones de parámetros que necesita computación seria y una plataforma de robot humanoide compatible para funcionar: es una herramienta de investigación e industrial, no algo que instales en un robot doméstico. Si eres investigador o desarrollador de robótica, el lanzamiento de diciembre es el momento a observar; si eres un lector general, la respuesta honesta es que GR00T 2 es un hito para el campo, no un producto que puedas usar hoy.