GR00T N1.6 是面向通用人形机器人技能的开放视觉-语言-动作（VLA）模型，可接收语言、图像等多模态输入，在多样环境中执行操作任务。模型可通过后训练适配特定具身形态、任务和环境，运行集成使用 PyTorch，并面向 NVIDIA GPU 加速系统优化。

其架构结合视觉语言基础模型与用于连续动作去噪的扩散 Transformer 头。RGB 相机帧由预训练视觉 Transformer SigLip2 处理，文本由预训练 Transformer T5 编码，本体感知经按具身 ID 索引的 MLP 编码；flow matching Transformer 在本体感知、动作以及视觉语言嵌入之间建模，并在推理时从高斯噪声迭代重构连续动作。

训练数据包含双臂、半人形和大规模人形机器人数据，来源包括真实采集数据以及使用 NVIDIA Isaac GR00T Blueprint 组件生成的合成数据。许可为 Nvidia License，部署地域为全球，目标用户包括研究者、开源社区、开发者、创业公司和企业。