主题
部署实践|Isaac GR00T N1.7技术报告与复现记录 GR00T
介绍
本文围绕 NVIDIA 开源的机器人基础模型 Isaac GR00T N1.7 展开，上半部分首先介绍 GR00T N1.7 的项目定位、核心问题、模型架构、关键创新点、训练与部署流程，以及其在 DROID、LIBERO、SimplerEnv 等 benchmark 上的适用方式；下半部分则基于算力自由平台，梳理操作过程，整理环境安装、零样本推理、LIBERO 仿真基准微调与评估命令，并对当前复现完成度进行分析。
从技术定位上看，GR00T N1.7 并非传统单任务 imitation learning 策略，而是一个面向多模态、多具身、多场景部署的 Vision-Language-Action（VLA）基础模型框架。其主要特点包括：采用更强的视觉语言骨干 Cosmos-Reason2-2B / Qwen3-VL，使用相对末端执行器（relative EEF）动作空间提升跨具身泛化能力，引入扩散 / flow-matching 风格动作头以生成连续动作序列，并通过 embodiment tag + modality.json + multi-embodiment projector 机制统一不同机器人和 benchmark 的输入输出接口。
关键词：Isaac GR00T、GR00T N1.7、VLA、具身智能、机器人基础模型、LIBERO、DROID、零样本推理、微调、仿真评估
一、项目概述
1.1 GR00T 是什么
Isaac GR00T 是 NVIDIA 面向通用机器人控制场景推出的一套 Vision-Language-Action（VLA）基础模型与工程工具链。按照官方 [README.md](README.md) 的定义，GR00T N1.7 是一个开源的、面向 generalized humanoid robot skills 的 VLA 模型，能够接收图像、语言和机器人状态等多模态输入，并输出连续动作序列，用于操作任务执行。
与传统"单数据集、单机器人、单任务"的模仿学习策略不同，GR00T 更接近"机器人基础模型（robot foundation model）"的路线：
在统一架构下支持多种机器人 / 数据集 / benchmark；
支持零样本推理、特定场景微调和进一步部署；
提供数据格式、训练脚本、评估方式、推理 API 与加速部署工具。
换言之，GR00T 不是单一模型文件，而是一整套从数据接口、模型结构到 benchmark 复现与部署的完整方案。
1.2 GR00T N1.7 的版本定位
根据官方 [README.md](README.md) 与模型配置 [gr00t/configs/model/gr00t_n1d7.py](gr00t/configs/model/gr00t_n1d7.py)，N1.7 是在 N1.6 基础上的一次重要迭代，主要变化包括：
视觉语言骨干升级为
Cosmos-Reason2-2B / Qwen3-VL；继续沿用并强化相对 EEF 动作空间；
引入更完整的 ONNX / TensorRT 推理链路；
在工程实现上进一步增强多平台部署与 benchmark 复现支持。
官方同时指出，N1.7 在保持与 N1.6 近似性能的前提下，通过加入 20K 小时 EgoScale human video data，增强了泛化能力与语言跟随能力。
二、GR00T N1.7 要解决的问题
从机器人学习的发展脉络看，GR00T N1.7 试图解决的是"通用机器人策略模型"常见的几个痛点。
2.1 传统 imitation learning 泛化能力有限
大量机器人策略模型依赖：
单一机械臂
单一观测布局
单一动作定义
单一任务集
一旦机器人本体、相机布局、状态维度、动作空间发生变化，原有策略就往往无法直接迁移。GR00T 通过统一具身接口与多 projector 机制，试图把"不同机器人形态"的问题纳入同一框架处理。
2.2 语言理解与动作控制长期割裂
传统控制模型通常只吃图像和低维状态，缺乏真正的语言条件建模；而通用大模型虽然具备较强图像与语言理解能力，却难以直接输出稳定的连续机器人控制动作。GR00T 的 VLA 设计，正是在 VLM 的理解能力与机器人策略的控制能力之间建立桥梁。
2.3 机器人演示数据昂贵、稀缺
真实机器人数据采集成本高、覆盖面窄，而互联网规模的人类操作视频更丰富。N1.7 使用统一的相对动作表示，将人类视频与机器人操作数据纳入同一预训练范式，从而提升动作先验迁移能力。
2.4 研究代码往往缺少部署闭环
许多开源策略模型只覆盖"训练"部分，缺少：
标准化推理 API
benchmark 仿真环境接入
开环 / 闭环评估流程
ONNX / TensorRT 部署方式
多平台兼容能力
GR00T N1.7 的一个重要优势是，它给出了相对完整的 data → train → eval → deploy 工程闭环。
三、整体工作流
官方在 [README.md](README.md) 中给出的工作流可概括为五步：
1. Prepare data：准备并转换数据到 GR00T 所需格式；
2. Run inference：对基础模型或已微调模型运行推理；
3. Fine-tune：在指定 embodiment / task / benchmark 上进行微调；
4. Evaluate：先做 open-loop，再做仿真或真机 closed-loop 评估；
5. Deploy：通过 Policy API 或 TensorRT 等方式部署。
这一流程的意义在于：
零样本推理用于快速验证环境、权重与数据链路；
微调用于将基础模型适配到新的 benchmark 或新机器人；
开环评估用于检查动作拟合趋势；
闭环评估才是接近真实执行效果的关键步骤；
部署链路决定模型能否真正用于机器人系统。
四、核心架构与组成
4.1 总体结构：VLM Backbone + Action Head
GR00T N1.7 的基本结构可以概括为：视觉语言基础模型（VLM backbone） + 连续动作生成头（diffusion / flow-matching action head）
前者负责理解：
当前图像 / 视频观测；
自然语言任务描述；
多模态上下文；
后者负责：
结合 state / embodiment 信息；
输出未来若干步连续动作序列；
以 action horizon 的形式支持 chunked control。
这也是 GR00T 与普通 VLM 或普通策略网络的本质区别：它既不是只会"看懂"，也不是只会"控制"，而是把两者耦合成一套条件动作生成系统。
4.2 视觉语言骨干：Cosmos-Reason2-2B / Qwen3-VL
N1.7 的官方配置 [gr00t/configs/model/gr00t_n1d7.py](gr00t/configs/model/gr00t_n1d7.py) 显示：
model_name = "nvidia/Cosmos-Reason2-2B"backbone_model_type = "qwen"backbone_embedding_dim = 2048
N1.7 已不再沿用旧版本中的 Eagle backbone，而是采用了更强的 Cosmos-Reason2-2B / Qwen3-VL 路线，该 backbone 具备更灵活的分辨率支持和更好的语言跟随能力。这样的好处主要有三点：
提升视觉语义理解能力；
提升语言 grounding 能力；
- 为下游动作生成提供更强的条件特征表示。
4.3 Processor：图像、文本与多模态批处理入口
在 [gr00t/model/gr00t_n1d7/processing_gr00t_n1d7.py](gr00t/model/gr00t_n1d7/processing_gr00t_n1d7.py) 中，GR00T N1.7 通过 Qwen3VLProcessor 统一处理：
文本输入
图像输入
padding / batch 化
modality config 解析
state / action 归一化与裁剪
这也是为什么在实际使用中，用户除了下载 nvidia/GR00T-N1.7-3B 外，还往往需要访问 nvidia/Cosmos-Reason2-2B：两者分工不同，一个是策略模型本体，一个是视觉语言处理链路的重要组成部分。
4.4 动作生成头：扩散 / Flow Matching 风格策略头
源码 [gr00t/model/gr00t_n1d7/gr00t_n1d7.py](gr00t/model/gr00t_n1d7/gr00t_n1d7.py) 中的 Gr00tN1d7ActionHead 注释明确写明其用于：flow matching diffusion policy
且配置 [gr00t/configs/model/gr00t_n1d7.py](gr00t/configs/model/gr00t_n1d7.py) 中又出现了：
num_inference_timestepsnoise_beta_alphanoise_beta_betanoise_snum_timestep_buckets
这表明 GR00T N1.7 的动作生成不是传统的单步 MLP 回归，而是通过扩散 / flow matching 风格的方式，对未来动作块进行条件生成。这种建模方式通常更适合：
长时域动作建模；
多峰动作分布；
复杂 manipulation 任务。
4.5 State / Action 编码器与解码器
在动作头中，GR00T N1.7 还显式引入：
state_encoderaction_encoderaction_decoderCategorySpecificMLPMultiEmbodimentActionEncoder
这表明动作生成并不是"VLM embedding 直接映射到动作"，而是通过：
本体状态编码；
具身相关动作嵌入；
类别特异解码；
diffusion / transformer 结构建模；
共同组成最终的策略头。
4.6 Multi-Embodiment 机制
GR00T 之所以能够支持 DROID、LIBERO、SimplerEnv、SONIC 乃至 NEW_EMBODIMENT，核心就在于它的多具身抽象层。
在 [gr00t/model/gr00t_n1d7/processing_gr00t_n1d7.py](gr00t/model/gr00t_n1d7/processing_gr00t_n1d7.py) 中，可以看到不同 embodiment tag 被映射到不同 projector group，例如：
libero_simsimpler_env_googlesimpler_env_widowxoxe_droid_relative_eef_relative_jointunitree_g1_sonicnew_embodiment
这使得 GR00T 既可以共享大部分 backbone 与动作生成能力，又能通过 embodiment-specific projector / decoder 适配不同机器人状态与动作结构。
4.7 数据接口：LeRobot v2 + modality.json
官方 [README.md](README.md) 明确说明，GR00T 使用的是 LeRobot v2 风格数据格式，并在 meta/ 目录下增加一个关键文件：
modality.json
它负责描述：
state 的命名与切分方式；
action 的命名与切分方式；
视频 key；
语言字段；
不同模态的索引规则。
因此，GR00T 的"跨具身能力"并非只来自模型结构，还来自：
数据格式标准化；
modality config 抽象；
embodiment tag 选择机制。
五、主要创新点与技术优势
5.1 Relative EEF Action Space
官方在 [README.md](README.md) 中把 relative EEF action space 列为 N1.7 的核心升级之一。与传统绝对目标动作不同，relative EEF 表示更强调"相对当前姿态的动作增量"，这带来的好处包括：
对机器人坐标系变化更鲁棒；
动作语义更接近人类操作意图；
更利于跨 embodiment 数据对齐；
更利于将人类视频先验迁移到机器人动作空间。
这一点对"跨机器人泛化"尤其关键。
5.2 20K 小时人类视频预训练
官方指出 N1.7 在预训练中引入了 20K 小时 EgoScale human video data。意味着它不仅学习机器人示范，还试图从更大规模的人类第一视角操作视频中抽取 manipulation prior。
相较传统只依赖机器人演示数据的模仿学习方法，这种路线更接近 foundation model 的训练思路：
使用更大规模、更广覆盖的数据来源；
再通过 post-training / finetuning 适配特定机器人和任务。
5.3 更强 VLM Backbone 带来的语言与视觉提升
N1.7 用更强的 VLM backbone 替代了旧版骨干，这使模型在：
图像理解
多视角特征融合
语言任务条件化
长指令处理
方面拥有更好的基础能力，从而为机器人控制带来更强的条件建模能力。
5.4 多具身统一接口
GR00T 通过 embodiment tag + modality.json + multi projector 实现多具身统一接口，相较于"每个机器人一套定制代码"的传统路线，这种设计有明显工程优势：
新 benchmark 接入成本更低；
新机器人微调路径更清晰；
同一套训练 / 推理工具可复用；
benchmark 代码风格统一，更利于复现和排障。
5.5 从训练到部署的一体化链路
从官方仓库内容看，GR00T N1.7 提供了：
微调脚本
零样本推理脚本
open-loop eval
PolicyServer / PolicyClient
benchmark rollout
ONNX 导出
TensorRT 构建与 benchmark
多平台部署脚本
这意味着它不只是一个研究型模型发布，而是具有明显"工程落地导向"的机器人基础模型框架
六、训练、推理、评估与部署流程
6.1 零样本推理
对于预训练已支持的 embodiment，GR00T N1.7 可以直接进行零样本推理。典型案例是：
nvidia/GR00T-N1.7-3Bdemo_data/droid_sampleOXE_DROID_RELATIVE_EEF_RELATIVE_JOINT
这一步主要用于：
验证安装是否正确；
验证模型与 processor 是否能正常加载；
验证数据读写与可视化链路；
初步观察预测动作与 ground truth 的一致性。
需要强调的是，零样本推理更适合做"工程链路验证"，不宜直接当作 benchmark 效果结论。
6.2 微调流程
若要适配 benchmark 或自定义机器人，需要进行微调。官方提供了两类主线：
benchmark 复现：如 [examples/LIBERO/README.md](examples/LIBERO/README.md)、[examples/SimplerEnv/README.md](examples/SimplerEnv/README.md)；
自定义新具身：如 [getting_started/finetune_new_embodiment.md](getting_started/finetune_new_embodiment.md)。
微调的本质是：
在统一 backbone 基础上，适配新的 state/action 分布；
让动作头与多具身 projector 适应目标机器人与目标任务。
6.3 Open-loop Evaluation
官方支持用 open_loop_eval.py 将模型预测动作与数据集 ground truth 做对比，并输出：
MSE / MAE 等误差指标；
每条轨迹的预测曲线可视化；
对动作拟合趋势的直观判断。
这一步适合做 checkpoint 质量的离线快速检查，但它不能完全反映闭环执行成败。
6.4 Closed-loop / Server-Client Evaluation
在 benchmark 或真实部署中，GR00T 更常见的模式是：
GPU 端运行
run_gr00t_server.py作为策略服务器；环境端或机器人端通过 client 请求动作；
使用 ZMQ 做通信。
这种结构既适合：
benchmark 仿真评估；
多进程 / 多机部署；
将来切换到真实机器人；
在推理端接入 TensorRT 加速。
6.5 部署
官方还提供了：
ONNX 导出
TensorRT engine build
benchmark inference
dGPU / Orin / Thor / Spark 多平台安装脚本
这反映出 GR00T 的定位不仅是"训练模型"，更是"部署机器人策略"。
七、已发布模型、任务与 benchmark 生态
根据官方 [README.md](README.md)，当前已发布的关键 checkpoint 包括：
nvidia/GR00T-N1.7-3B：基础模型nvidia/GR00T-N1.7-LIBERO：LIBERO 微调模型nvidia/GR00T-N1.7-DROID：DROID 微调模型nvidia/GR00T-N1.7-SimplerEnv-Bridge：SimplerEnv Bridge / WidowXnvidia/GR00T-N1.7-SimplerEnv-Fractal：SimplerEnv Fractal / Google Robot
相应 benchmark / 场景主要包括：
- DROID：支持零样本或微调后推理；
- LIBERO：典型仿真操作 benchmark；
- SimplerEnv：Google Robot 与 WidowX 的代表性 benchmark；
- SO100：自定义 embodiment 教学示例；
- SONIC / WholeBodyControl：面向全身控制的人形机器人工作流。
说明 GR00T N1.7 的使用场景既覆盖 benchmark 研究，也面向真实机器人系统的进一步开发。
八、实验复现记录
8.1 复现说明
本部分记录的是在算力自由平台·实际使用过的命令与配置。为了保持可追溯性，这里不强行改成"官方推荐命令"，而是保留你真实采用的执行方式；在结果分析章节中，再对它与官方推荐配置之间的差异进行解释。
8.2 环境与算力说明
软件环境
操作系统：Linux
Python：3.10（dGPU 路线）
包管理：
uv视频依赖：
ffmpeg代码仓库：Isaac GR00T N1.7
当前训练资源
训练 GPU 数量：
NUM_GPUS=2全局 batch size：
GLOBAL_BATCH_SIZE=4最大训练步数：
MAX_STEPS=20000
说明：该配置明显低于官方 benchmark 复现中常见的 8 GPU / 大 batch 设定，因此本文后续不会把当前结果表述为"已达到官方 benchmark 数值复现"。
1. 安装
1.1 硬件需求
- 推理：1 块 16GB 及以上显存的 GPU 即可，例如 RTX 4090、L40、H100、Jetson AGX Thor / Orin、DGX Spark。
- 微调：建议 1 块或多块 40GB 及以上显存的 GPU。官方更推荐 H100 或 L40；A100等设备也可运行，但训练时间可能更长。
- CUDA / Python 版本按平台区分：
dGPU（CUDA 12.8）：Python 3.10
Jetson Orin（CUDA 12.6）：Python 3.10
Jetson Thor（CUDA 13.0）：Python 3.12
DGX Spark（CUDA 13.0）：Python 3.12
各平台安装脚本与 Dockerfile 位于
scripts/deployment/。
- 算力自由平台已经为大家准备好一键开箱的开发环境，无需额外配置。镜像参考链接：https://www.gpufree.cn/images/100118
1.2 克隆仓库
如果之前克隆的是不带子模块的版本，需要补充初始化：
1.3 环境配置
1.3.1 安装 uv
1.3.2 dGPU（x86_64）依赖
项目当前仅支持 torchcodec 作为视频后端，因此需要先安装 FFmpeg：
1.3.3 创建环境并安装 GR00T
GPU 相关依赖（如
flash-attn、TensorRT 等）包含在默认安装中。
1.3.4`flash-attn` 下载失败时的离线安装方案
如果 uv sync 无法正常下载 flash-attn，可以改为本地 wheel 安装。
在可访问 GitHub 的机器上下载 wheel：
将 wheel 文件拷贝到容器或目标机器，例如：
修改
pyproject.toml中对应依赖来源，例如：重新执行安装：
这样 uv 会直接从本地文件安装，而不会再访问远程网络。
1.3.5 验证安装
补充说明：
uv包缓存可能会占用较大空间，例如：
数据集下载完成后可执行以下命令清理缓存：
如果需要检查推理脚本是否仍在运行，可使用：
某些情况下，每次
uv run仍会出现类似Installing flash-attn...的提示。这通常是 URL 固定轮子源的已知行为，往往只是重新校验缓存，并不代表重新从源码编译。
2. 零样本推理（Zero-shot Inference）
2.1 实验目的
使用官方基础模型 nvidia/GR00T-N1.7-3B 在 DROID 示例数据上做零样本推理，验证：
模型权重能否正常下载与加载；
processor 与数据读取链路是否正常；
推理脚本与可视化流程是否可用；
预测动作是否与 ground truth 在趋势上基本一致。
2.2 直接运行基础推理脚本
2.3 若未下载`droid_sample` 数据集
一、为什么需要下载两个模型？
- nvidia/GR00T-N1.7-3B（6.5GB）
这是核心的机器人策略模型（Vision-Language-Action Model）。它包含：
Qwen3-2B 视觉语言骨干网络（Backbone） — 处理图像和语言指令，提取视觉-语言特征。定义在 gr00t/model/modules/qwen3_backbone.py
扩散策略头（DiT — Diffusion Transformer） — 接收 backbone 提取的特征，通过去噪扩散过程生成机器人动作序列。定义在 gr00t/model/gr00t_n1d7/gr00t_n1d7.py
多实体投影器（Multi-Embodiment Projectors） — 针对不同机器人形态（DROID、G1、R1 Pro 等）的状态/动作编码器。定义在 gr00t/model/gr00t_n1d7/processing_gr00t_n1d7.py
总参数量：约 29.4 亿参数（2.94B），其中 DiT 部分约 10.9 亿参数。
- nvidia/Cosmos-Reason2-2B（4.6GB）
这是 Qwen3-VL 视觉语言处理器（Processor），用于：
对图像进行预处理（resize、crop、normalize）
对语言指令进行 tokenize
将图像和文本拼接成 VLM 输入格式
你可以在 gr00t/model/gr00t_n1d7/processing_gr00t_n1d7.py:203 看到这一行：
model_name: str = "nvidia/Cosmos-Reason2-2B",简单来说：
GR00T-N1.7-3B = 机器人"大脑"（策略模型）
Cosmos-Reason2-2B = 机器人"眼睛"（视觉处理器）
两者缺一不可。GR00T 模型本身不包含视觉编码器，它依赖 Cosmos-Reason2-2B（基于 Qwen3-VL）来将原始图像和文本转换为模型可理解的嵌入向量。
2.4 使用本地缓存模型进行推理
2.5 脚本作用说明
该脚本会完成以下工作：
1. 加载模型：从本地路径加载 `GR00T-N1.7-3B` 权重；
2. 加载数据集：读取 DROID 样本数据（`parquet` + 视频）；
3. 零样本推理：不经过微调，直接使用预训练模型在 DROID 数据上预测动作；
4. 对比评估：将模型预测动作与数据集真实动作（ground truth）对比，并计算误差；
5. 生成可视化：保存预测与真实动作对比图。
2.6 关键说明
这里使用的是：
该 tag 属于预训练已支持的 embodiment，因此这一流程属于零样本推理，不需要额外微调。
2.7 Hugging Face 权限与 Token
某些模型或处理器为 gated repo，需要先申请访问权限。
步骤 1：申请访问权限
打开 Hugging Face 对应页面，例如报错中提示的链接；
登录 Hugging Face 账号；
展开许可协议；
阅读并同意协议，填写必要信息后提交。
步骤 2：创建 Access Token
进入 Hugging Face
Settings；打开
Access Tokens；创建一个
Read权限的 token；在终端中导出：
2.8 当前结果记录
当前零样本推理结果显示：
预测曲线与真实曲线在趋势上基本吻合；
模型、processor、数据与推理脚本均已正常跑通；
说明 Isaac GR00T N1.7 的基础推理链路在本地环境下已经建立。
说明：该结果可视为"工程验证成功"，不应直接外推为 benchmark 性能结论。
3. LIBERO 仿真基准微调与评估
3.1 实验目的
在 LIBERO 10 benchmark 上微调 GR00T N1.7，验证：
benchmark 数据准备是否正确；
微调训练脚本是否可运行；
checkpoint 是否可保存；
后续是否能进入 server-client 仿真评估流程。
3.2 下载数据集
3.3 复制`modality` 配置
3.4 检查 GPU
3.5 启动训练微调
官方推荐 8 GPU；本文采用的是受限算力条件下的 2 GPU / global batch size=4 配置，目的是优先验证训练流程是否可跑通。
注意：微调时需要设置以下环境变量：
HF_HOMEHF_ENDPOINTHF_TOKEN
原因是需要让 transformers 从本地缓存加载 Cosmos-Reason2-2B，并确保对 gated repo 有访问权限。
3.6 评估微调结果
本节保留当前实际采用的评估指令；是否已经得到最终 benchmark success rate，需要以后续 rollout 日志为准。
终端 1：启动推理服务器
终端 2：启动仿真客户端
停止进程
查看日志
3.7 训练日志摘录
3.8 复现结果与分析（按官方口径进行合理表述）
（1）已经可以确认的事实
根据当前训练日志，可以确认：
LIBERO 10 数据集已经成功下载并完成
modality配置补充；微调训练已完整执行到
20000 / 20000step；输出目录中已经生成
checkpoint-20000；训练脚本、checkpoint 保存逻辑、processor 拷贝逻辑都已跑通；
- 就工程链路而言，LIBERO 微调复现已经完成到"产出可评估 checkpoint"的阶段。
（2）目前还不能直接声称的结论
在没有拿到最终 rollout 日志中的 `success rate` 之前，当前还不能严谨地写成：
"已经完成 LIBERO benchmark 指标复现"；
"当前模型达到了官方 LIBERO 10 成功率"；
"当前 checkpoint 的 closed-loop 操作性能与官方一致"。
更合理的表述应是：
当前工作已经完成 Isaac GR00T N1.7 在 LIBERO benchmark 上的训练链路复现，并成功生成可用于仿真评估的 checkpoint；但 benchmark 指标复现仍需以 closed-loop rollout 的成功率统计为最终依据。
（3）为什么不宜直接对齐官方数值
官方在 [examples/LIBERO/README.md](examples/LIBERO/README.md) 中给出的 LIBERO 10（Long）结果是：
- 189 / 200（94.35%）
对应的官方训练超参数示例为：
NUM_GPUS=8MAX_STEPS=20000GLOBAL_BATCH_SIZE=640SAVE_STEPS=1000
而本文当前实际使用的是：
NUM_GPUS=2MAX_STEPS=20000GLOBAL_BATCH_SIZE=4SAVE_STEPS=20000
两者的主要差异在于：
1. 全局 batch size 相差极大：4 vs 640；
2. 训练稳定性与梯度统计条件不同；
3. checkpoint 保存粒度不同；
4. 最终成功率极可能与官方 benchmark 结果存在明显差距。
因此，当前实验更适合被定义为：
> 受限算力条件下的轻量化流程复现
而不是严格意义上的"官方 benchmark 指标复现实验"。
（4）官方文档对结果波动的提示
官方在 [README.md](README.md) 的 training tips 中还提到：
- 训练中存在 5%~6% 的运行波动；
建议尽量提高 batch size；
不同 benchmark 的
state_dropout_prob也有所区别。
这进一步说明，即便在更接近官方配置的条件下，benchmark 结果也存在一定波动。因此在当前 2 GPU / batch=4 的条件下，更不宜对成功率做过度推断。
（5）建议在正式报告中采用的结果表述
如果需要在正式技术报告里写得既合理又严谨，建议使用如下措辞：
本文在受限算力条件下，完成了 Isaac GR00T N1.7 在 LIBERO 10 benchmark 上的微调训练流程复现。实验使用 2 张 GPU、global batch size 为 4，训练 20000 steps 后成功生成
checkpoint-20000。从训练日志看，模型已正常收敛并完成 checkpoint 导出，表明数据准备、训练脚本与模型保存链路均已打通。由于当前尚未获得完整 closed-loop rollout 的 success rate 统计，且训练配置与官方 8 GPU、大 batch benchmark 设置存在明显差异，因此本文暂不将该结果表述为"已达到官方 benchmark 数值复现"，而将其定义为"流程级复现完成、指标级复现待验证"。
（6）如果后续评估跑通，报告如何继续补充
一旦后续在 rollout.log 中获得：
results: ...success rate: ...
则可继续补写如下内容：
单任务成功率；
评估 episode 数；
视频结果主观观察；
与官方单任务 / 多任务结果的差距；
- 对差距来源的分析（batch size、GPU 数量、环境噪声、随机性、训练时长等）。
参考资料
官方资料
[Isaac GR00T 仓库 README](README.md)
[Policy API 与 Embodiment Tags 指南](getting_started/policy.md)
[自定义具身微调指南](getting_started/finetune_new_embodiment.md)
[LIBERO benchmark 指南](examples/LIBERO/README.md)
[GR00T N1.7 模型配置](gr00t/configs/model/gr00t_n1d7.py)
[GR00T N1.7 动作头实现](gr00t/model/gr00t_n1d7/gr00t_n1d7.py)
[GR00T N1.7 数据处理与 processor 实现](gr00t/model/gr00t_n1d7/processing_gr00t_n1d7.py)
社区与实践参考
说明：社区资料主要用于补充理解、优化表达与总结实践经验；涉及模型结构、默认参数、benchmark 标准流程与 checkpoint 能力边界时，本文均以官方仓库与源码为准。