NVIDIA Human-1M-100K
100.000 horas de vídeo en primera persona de trabajo manual con poses de manos y tareas
Licencia
CC BY 4.0
Datos: CC BY 4.0, según los Governing Terms de la ficha del dataset y su etiqueta de licencia en Hugging Face; la ficha dice que está listo para uso comercial y no comercial. Atribución: toda reutilización debe citar a NVIDIA y enlazar la licencia. Personas en el vídeo: CC BY 4.0 no licencia derechos de privacidad ni de imagen, y la ficha no describe el consentimiento. Prototipos de hardware: un repositorio aparte, con el software bajo Apache-2.0 y los diseños de hardware bajo CC BY 4.0. Modelos: GR00T 2 no se ha publicado, así que sus condiciones no se conocen. Comprobado el 2026-11-10 con README.md y DATASET_CARD.md del repositorio del dataset y los archivos LICENSE del repositorio de hardware.
Resumen
Human-1M-100K es la parte publicada en abierto de Human-1M, la colección de NVIDIA de cerca de un millón de horas de vídeo en primera persona de personas haciendo trabajo físico, grabado con sensores para que el vídeo venga acompañado del movimiento de la cabeza y las manos y de lenguaje. El subconjunto abierto reúne 100.000 horas en 3.405.573 episodios, con 406.815 grupos de tareas registrados, 41.288 recolectores, 81.557 escenas y nueve categorías de entorno, grabado tanto en hogares y lugares de trabajo reales como en estudios. Cada episodio incluye el vídeo de la cámara de cabeza, mono o estéreo y a veces con cámaras de muñeca, la pose de la cámara de cabeza, 21 puntos clave por mano con su confianza, un objetivo de una o dos frases (T1) y una secuencia de acciones con tiempos de 1 a 10 segundos (T2). Los datos están en formato LeRobot v3.0, con licencia CC BY 4.0 para uso comercial y no comercial, y se publicaron en Hugging Face el 4 de noviembre de 2026. NVIDIA afirma que Human-1M es material de entrenamiento para sus modelos Cosmos y GR00T, y su página de investigación de GR00T 2 lo cita como la fuente del vídeo humano de ese modelo.
Human-1M es la colección de NVIDIA de demostraciones humanas registradas con sensores: cerca de un millón de horas de vídeo egocéntrico de personas trabajando con las manos, desde preparar comida y reponer estanterías hasta empaquetar pedidos, montar piezas y reparar equipos. El 4 de noviembre de 2026 NVIDIA publicó 100.000 horas como Human-1M-100K en Hugging Face bajo CC BY 4.0. La publicación cuenta 3.405.573 episodios, 406.815 grupos de tareas registrados, 41.288 recolectores, 81.557 escenas y nueve categorías de entorno. Una parte se grabó en entornos reales, en hogares y lugares de trabajo, y otra en estudios donde se pueden repetir habilidades concretas, montajes y protocolos de laboratorio.
Un episodio es una persona haciendo un trabajo útil hacia un objetivo medible, normalmente algo que lleva de 5 a 10 minutos. El vídeo debe tener al menos 30 FPS y 480p a velocidad real, con una o ambas manos a la vista durante al menos el 95% del episodio. La cámara de cabeza es mono o estéreo, y algunos episodios añaden una cámara en cada muñeca. Cada fotograma lleva la pose 6-DoF de la cámara de cabeza, 21 puntos clave por mano como posiciones en metros y rotaciones, y una máscara de presencia y una confianza para cada mano. El lenguaje llega en dos niveles: T1 resume en una o dos frases el objetivo, las acciones principales y los objetos clave, y T2 divide el episodio completo en segmentos consecutivos de 1 a 10 segundos, cada uno indicando qué mano hace qué con qué objeto. Los episodios también registran la calibración de las cámaras, un código de país, si el lugar era público o privado, e identificadores seudonimizados del recolector, la escena y la fuente.
NVIDIA describe cuatro filtros de calidad que combinan revisión humana y comprobaciones automáticas, sobre anotación, utilidad de la tarea, diversidad y seguimiento 3D. Su propio gráfico de auditoría abarca 25 semanas de entrega con 561.000 horas aceptadas y 461.000 horas enviadas rechazadas.
Los datos se guardan como datasets LeRobot v3.0, organizados por proveedor, lote y versión, con tablas Parquet de fotogramas, episodios, tareas, subtareas, entornos y escenas, y un archivo MP4 por cámara. La referencia de campos documenta cada columna. Los datos completos están en un bucket de almacenamiento público de Hugging Face, que el 10 de noviembre de 2026 mostraba 1.321 TB en 2.561.357 archivos, así que la mayoría de usuarios descargará una parte. Para mirar antes de descargar, el repositorio del dataset tiene clips cortos de vista previa y tres episodios de muestra completos, y el Human-1M Dataset Explorer muestra en el navegador vídeo, reconstrucción 3D, retargeting a robots, etiquetas T2 y una búsqueda por grupos de tareas.
La página de investigación de GR00T 2 de NVIDIA dice que el modelo se preentrenó con 402.730 horas de vídeo egocéntrico humano de Human-1M, junto con 10.184 horas de demostraciones con una pinza de mano y 23.500 horas de teleoperación de robots. En la prueba de la propia NVIDIA, pasar de nada a todo el vídeo humano elevó el progreso en 72 tareas de robot del 50% al 70%. GR00T 2 aún no se ha publicado: la página anuncia su código para diciembre de 2026. La ficha del dataset dice además que Human-1M impulsa los modelos Cosmos de NVIDIA. Por otra parte, NVIDIA ha publicado los diseños de hardware de los dispositivos de mano y vestibles que construyó para recoger datos para GR00T 2, con su software en el repositorio de hardware de datos de GR00T.
Por qué importa
El aprendizaje de robots necesita muchos más ejemplos de trabajo manual hábil de los que los robots pueden grabar: la teleoperación es lenta y cara, y al vídeo corriente de personas le faltan el movimiento de las manos y las etiquetas de las que un modelo puede aprender acciones. Human-1M-100K ofrece 100.000 horas de trabajo real con la pose de cabeza y manos y etiquetas de acciones con tiempos ya incluidas, bajo CC BY 4.0, que permite el uso comercial. Eso lo convierte en el mayor dataset abierto egocéntrico de manipulación humana de este catálogo, junto a publicaciones más pequeñas como Eidon Tracker POV y datos de manipulación sin robot como HiFi-UMI-2K. Sirve para preentrenar modelos VLA y modelos del mundo, para investigar el aprendizaje por imitación y para el retargeting de movimiento de manos humanas a manos robóticas, y llega en el formato LeRobot que muchas herramientas de aprendizaje de robots ya leen. Además, según NVIDIA, son los datos humanos detrás del próximo modelo fundacional GR00T, lo que permite a cualquiera estudiar esos datos antes de que salga el modelo.
Qué problema resuelve
Enseñar a los robots a usar las manos requiere grandes cantidades de datos de demostración, y recogerlos por teleoperación de robots es lento, caro y se limita a las tareas que un laboratorio puede montar. Hay mucho vídeo de personas haciendo trabajo real, pero no lleva el movimiento de las manos ni la estructura de la tarea, así que un modelo no puede aprender acciones de él con facilidad. Human-1M-100K aporta trabajo humano real a gran escala con las piezas que faltaban ya añadidas: pose de cabeza y manos, confianza por mano, un objetivo para cada episodio y etiquetas de acciones con tiempos, en un formato LeRobot documentado y con una licencia que permite el uso comercial.
Puntos clave
- 100.000 horas de trabajo humano en primera persona, el subconjunto abierto de la colección Human-1M de NVIDIA de un millón de horas
- 3.405.573 episodios de 41.288 recolectores en 81.557 escenas, 406.815 grupos de tareas y nueve categorías de entorno
- Vídeo de cabeza mono o estéreo, cámaras de muñeca opcionales, pose 6-DoF de la cámara de cabeza y 21 puntos clave por mano con confianza
- Etiquetas de lenguaje en dos niveles: un objetivo por episodio (T1) y acciones consecutivas con tiempos de 1 a 10 segundos (T2)
- Formato LeRobot v3.0, con referencia de campos, clips de vista previa, tres episodios de muestra completos y un explorador en el navegador
- CC BY 4.0, abierto al uso comercial; NVIDIA señala Human-1M como el vídeo humano detrás de GR00T 2
Para quién es
- Investigadores que preentrenan modelos VLA, modelos del mundo y modelos fundacionales para robots con datos de demostración humana
- Equipos que trabajan en trasladar el movimiento de manos humanas a manos robóticas y en manipulación diestra
- Investigadores de visión por computador que estudian vídeo egocéntrico, pose de manos y segmentación de acciones
- Usuarios de LeRobot que buscan datos humanos a gran escala en un formato que sus herramientas ya leen
Limitaciones
- Son demostraciones humanas, no acciones de robot: para entrenar un robot con ellas hace falta retargeting o un modelo que aprenda de vídeo
- Muy grande: el bucket de almacenamiento mostraba 1.321 TB en 2.561.357 archivos el 10 de noviembre de 2026, así que la mayoría de usuarios descargará una parte
- Solo 100.000 de las cerca de un millón de horas de Human-1M son abiertas; el resto se queda en NVIDIA
- La carpeta del bucket se llama release-staging y seguía actualizándose el 10 de noviembre de 2026
- Las afirmaciones sobre cuánto mejoran los modelos con estos datos son de la propia NVIDIA, de su página de investigación de GR00T 2; GR00T 2 aún no se ha publicado
- Grabado por varias fuentes con configuraciones de cámara distintas, y algunos campos, como el rig o la categoría de privacidad, faltan en algunas fuentes
- La ficha no explica cómo se obtuvo el consentimiento de las personas grabadas ni si las caras se difuminan; los identificadores están seudonimizados
- CC BY 4.0 exige atribución y no licencia los derechos de privacidad o de imagen de las personas que aparecen en el vídeo