# GR00T-N1微调Libero时增加Denoise Steps导致精度下降

> 原文链接：https://robotics.hellobike.com/pitfalls/2025-09-16-isaac-gr00t-191
> 频道：pitfalls | 更新日期：2025-09-16 | 标签：auto, github-issue, isaac-gr00t
> 核心摘要：针对GR00T-N1在Libero数据集微调后推理步数增加反致性能下降问题，官方澄清训练机制并发布了专用微调Recipe。

# GR00T-N1微调Libero时增加Denoise Steps导致精度下降

::: v-pre
> 本文由 AI 根据公开内容整理，可能有误，请以原文为准：[Fine-Tuning GR00T-N1 on Libero Spatial: Unexpected Impact of Denoise Steps on Performance](https://github.com/NVIDIA/Isaac-GR00T/issues/191)（GitHub NVIDIA/Isaac-GR00T #191）

**状态**：已解决

## 问题

用户在Libero_Spatial数据集上微调GR00T-N1模型并在LIBERO仿真中评测时发现，增加denoise steps反而导致整体准确率下降。用户推测原因是微调时前向传播仅使用单次DiT pass（等效步数为1），导致权重分布偏向单步推理，与推理时多步去噪产生分布不匹配。

## 环境

NVIDIA Isaac-GR00T框架，GR00T-N1模型，Libero_Spatial数据集，LIBERO仿真环境

## 解决办法

1. 修正对训练机制的理解：官方确认每次前向传播并非对应单次DiT pass，而是采样时间步t并一次性添加对应噪声后预测去噪目标，不存在用户推测的单步训练偏差。
2. 采用官方发布的Libero数据集专用微调方案：参考PR #357中的recipes进行配置，以解决特定数据集下的适配与性能问题。
3. 验证是否存在Train-Inference Mismatch：使用相同checkpoint、种子和初始状态，分别在训练所用步数及更高步数下评测；若性能均匀下降则为不匹配问题，若仅个别任务下降则需排查其他原因。

讨论原作者：@Rick0423 等，版权归原作者所有。
:::

## 原始参考来源 (Sources)

- [GitHub NVIDIA/Isaac-GR00T #191：Fine-Tuning GR00T-N1 on Libero Spatial: Unexpected Impact of Denoise Steps on Performance](https://github.com/NVIDIA/Isaac-GR00T/issues/191)