外观
踩坑GitHub NVIDIA/Isaac-GR00T2025-09-16
GR00T-N1微调Libero时增加Denoise Steps导致精度下降
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（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
- 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。
- 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。
- 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。
来源
本页事实对应的公开页面，以原文为准。