Metatron-v1: NVIDIA's stille humanoïde beleid is geen taalmodel

Laat op 27 oktober 2026 verscheen er op Hugging Face een repository genaamd nvidia/Metatron-v1. Er was geen persbericht, geen bericht op NVIDIA's eigen blog — als je die blog op de naam doorzoekt, krijg je nog steeds "No Results Found" te zien — geen paper en geen productpagina. Wat wel verscheen, waren twee ONNX-bestanden van ongeveer 403 MB elk, een licentie, een NOTICE-bestand en een modelkaart die een geleerde loop- en herstelcontroller voor een Unitree G1-humanoïde beschrijft. Metatron-v1 is een robotica-beleid, geen taalmodel, en bijna alles wat de moeite waard is om erover te weten, moet uit die kaart worden gelezen, omdat er niets anders is om te lezen.

De tellers van de repository zelf beschrijven hoe stil dit is geland. Zes commits tussen 21:43 en 22:32 UTC, drie likes, en helemaal geen noemenswaardig downloadcijfer — de pagina zegt dat downloads voor dit model niet worden bijgehouden, terwijl de API nul rapporteert. Dat is geen lancering. Het is een exportdump met bijgevoegde documentatie, gepubliceerd onder NVIDIA's open modellicentie en achtergelaten zodat iemand het kan vinden.

De naam is het eerste dat misleidt.

Metatron staat één letter verwijderd van Nemotron, NVIDIA's daadwerkelijke open taalmodel-familie, en de gelijkenis richt al schade aan: dezelfde Hugging Face-organisatie publiceert beide, de tags van deze repository luiden robotics / reinforcement-learning / humanoid, en de pipeline-tag is reinforcement-learning in plaats van text-generation. Niets daarvan verhindert dat de naam naast chatmodellen wordt ingedeeld.

Het doet ertoe omdat de vergelijking niet alleen ongunstig is — ze is zinloos. Een lezer die Metatron-v1 naast Gemma 4 12B of Qwen 3.8 zet, houdt een controller die gewrichtsgeschiedenis en doelposes aan motordoelen koppelt, naast modellen die tekst aan tekst koppelen. Er is geen gedeelde invoer, geen gedeelde uitvoer en geen benchmark die ze op één as zou kunnen plaatsen. De eerlijke versie van die pagina zou één enkele zin zijn, en daarom hebben we die niet geschreven.

Wat het beleid verbruikt en wat het oplevert

De kaart is ongewoon specifiek over tensoren, wat het nuttigste aspect ervan is. Het demobestand voor één robot heeft in totaal 39 invoerwaarden:

• Huidige G1-toestand, plus acht historische toestandsmonsters — de policy ziet ongeveer een tiende seconde aan recente beweging, niet één momentopname.

• Inkomende ruwe acties gekoppeld aan een geschiedenis van negen ruwe acties, zodat het netwerk kan herkennen wat het al probeerde te doen.

• Gemaskeerde toekomstige pose-, stijl- en snelheidsdoelen, plus scene-boxcontext — de doelen zijn deels gespecificeerd en deels leeg, wat het MaskedMimic-achtige inpainting-idee is waar de kaart op zinspeelt.

Het retourneert PD-doelen per gewricht als action, de gainwaarden als stiffness en damping, en raw_action voor feedback uit de geschiedenis. Die drie uitgangen zijn wat een robot nodig heeft bij regelfrequentie; er staat nergens tekst in de interface.

Twee beweringen in de kaart zijn het waard om van de rest te onderscheiden. De eerste is dat lopen, scène-interactie en herstel nu één policy delen — de kaart beschrijft de huidige export als de epoch-6410 "SAMP-capable unified student", zonder afzonderlijke hersteladapter. SAMP wordt niet voluit geschreven, maar in de literatuur over scènebewuste beweging staat het voor Stochastic Scene-Aware Motion Prediction, en de scene-box-inputs passen bij die interpretatie; beschouw de uitbreiding als onze gevolgtrekking, niet als NVIDIA's formulering. De tweede is dat hersteldoelen live runtime-inputs blijven in plaats van ingebakken doelen, wat het verschil is tussen een policy die midden in een val opnieuw kan worden gericht en een vaste animatie.

Twee exports, twee runtimes, één set gewichten

Beide bestanden bevatten hetzelfde geleerde beleid in verschillende graafindelingen, en de kaart benadrukt met klem dat ze niet uitwisselbaar zijn. Het demobestand draait één robot en bevat observatieverwerking en actieconversie binnen de graaf. Het Racer-bestand is een gebatcht netwerk voor zes robots dat verwacht dat observaties buiten de graaf worden berekend, en de batchgrootte kan niet worden gewijzigd zonder het opnieuw op te bouwen en te valideren.

De enige getallen in de hele repository vormen een pariteitscontrole: het pad met zes robots is vergeleken met de demo-export met één robot op 60 verschillende en door geschiedenis verstoorde testtoestanden, met een maximale absolute actiefout van 5.55e-6. NVIDIA varieerde ook de herstelhoogte, hersteltiming, actiegeschiedenis en scène-inputs en bevestigde dat de uitvoer daarop reageerde. Beide zijn export-engineeringcontroles: ze bewijzen dat de twee grafen dezelfde functie berekenen en dat de invoer correct is aangesloten. Ze zeggen helemaal niets over of de robot overeind blijft, en de kaart zegt dat direct: "Dit zijn numerieke exportcontroles, geen benchmarks voor taaksucces of echte robots."

Wat NVIDIA niet heeft gezegd

De lijst van wat ontbreekt is langer dan de lijst van wat aanwezig is, en dat is het deel dat een lezer het zwaarst zou moeten laten wegen.

• Geen aankondiging, blogpost, paper of productpagina die we konden vinden, en helemaal geen berichtgeving op de NVIDIA-blog onder die naam.

• Geen trainingsbeschrijving verder dan twee zinnen — een transformer-student in MaskedMimic-stijl, deterministische prior en decoder — en geen aanwijzing over data, compute of trainingsdoel.

• Geen taaksuccespercentage, geen valherstelpercentage, geen sim-to-real-resultaat, geen video die we onafhankelijk kunnen verifiëren.

• Geen trainingscheckpoint en geen dataset. De kaart vermeldt duidelijk dat de repository geen volledig pakket is om de training te reproduceren, wat betekent dat er hier niets valt te fine-tunen.

De veiligheidstaal is even direct: het model is geen botsingsvermijdingssysteem of veiligheidscontroller, het gebruik van hardware vereist onafhankelijke validatie, koppelbegrenzingen, testen onder toezicht en een noodstop, en de hulpmiddelen aan de gamekant — lanceerboosts, zones met lage zwaartekracht, respawns — zijn toepassingsmechanica in plaats van capaciteiten van het aangeleerde beleid. Een kaart die de moeite neemt om te zeggen dat een respawn geen capaciteit is, vertelt je iets over hoeveel van de demo het beleid is en hoeveel de game.

De licentie vertelt je wat je niet mag meenemen.

De bestanden zijn uitgebracht onder de NVIDIA Open Model License, met naamsvermelding in NOTICE.txt en een afzonderlijke licentieverlening die specifiek betrekking heeft op de twee ONNX-exports. Alles daaromheen is uitgesloten. De repository verleent geen rechten op bewegingsdatasets, recovery-referentieclips, robotmeshes, game-assets of runtime-software van derden, en het NOTICE-bestand voegt een nadrukkelijke regel toe over "op zichzelf staande herdistributie van motionclips die alleen voor demo's bedoeld zijn" — toestemming om een clip in een demo te tonen, gaat niet mee met de clip.

Praktisch gezien: je mag het beleidsbestand onder de licentievoorwaarden opnieuw verspreiden, en je kunt de demo niet opnieuw opbouwen op basis van deze repository, omdat de meshes, clips, runtimecode en applicatieconfiguratie elders en onder hun eigen voorwaarden worden verspreid. De kaart vermeldt ook dat openbare levering via de browser anonieme toegang tot de bestanden vereist, wat een aanwijzing is voor het leveringsmodel waarvoor de export is gebouwd.

Wie kan hier vandaag daadwerkelijk iets mee doen?

Niet veel mensen, en de kaart is eerlijk over waarom. De browserintegraties draaien MuJoCo gecompileerd naar WebAssembly voor de fysica en ONNX Runtime Web voor inferentie; WebGPU wordt aanbevolen, en de CPU/WASM-terugvaloptie "garandeert geen real-time werking met zes robots." Integratie vereist het overeenkomstige runtime-manifest en identieke gewrichts- en lichaamsordening, quaternionconventie, geschiedenisordening, normalisatie, doelmasks, controlerate en actietoewijzing. Heb je één daarvan fout, dan draait het beleid vrolijk door en produceert het onzin.

Er wordt melding gemaakt van deployment buiten de browser — andere simulators, echte G1-hardware — maar zonder dat er een recept is bijgevoegd, en de kaart weigert expliciet te bevestigen dat deze exacte bestanden op hardware zijn gevalideerd. Voor een onderzoeksteam met een G1 en een MuJoCo-scène is dat genoeg om te beginnen. Voor alle anderen is het een referentieartefact.

Waar een router past, en waar niet

Je kunt Metatron-v1 niet via een API aanroepen, en niets hier verandert dat: wat NVIDIA heeft gepubliceerd is een paar bestanden die je naast een simulator laadt, geen gehoste endpoint. Wat wij routeren is de andere helft van een roboticastack — het taalwerk rond een controller. Taakplannen die worden geschreven voordat het beleid het overneemt, telemetrie- en foutlogs die na een run worden samengevat, bewegingscaptions die worden omgezet in gestructureerde doelen. OrcaRouter zet meer dan 200 modellen achter één sleutel tegen de lijstprijs van de provider, zonder markup, en schakelt automatisch over wanneer de endpoint van een provider uitvalt; dat is het verschil tussen een evaluatieharnas dat 's nachts klaar is en een dat stilletjes de helft van zijn runs verliest.

Dat is het geheel van het verband. Als je vraag is welke controller je in MuJoCo moet laden, dan is dit artikel de verkeerde plek om die te beantwoorden, en geen enkele routeringsbeslissing zal daarbij helpen.

Wat zou dit verhaal veranderen?

Vier dingen, ruwweg in de volgorde van hoeveel ze zouden uitmaken. {{1}}Een echte aankondiging met taaksuccescijfers op hardware{{/1}} zou van een modelkaart een claim maken. {{2}}Een trainingscheckpoint of een dataset{{/2}} zouden het beleid aanpasbaar maken in plaats van vast. {{3}}Een onafhankelijke reproductie in een openbare simulator{{/3}} zou iemand anders dan NVIDIA laten zeggen of het geünificeerde scène- en herstelontwerp werkt. En {{4}}de applicatiebundels die openbaar worden uitgebracht — de browserdemo en de zesrobotige Racer{{/4}} — zouden de rest van ons laten zien hoe het beleid er in beweging uitziet, wat het enige is dat een modelkaart niet kan tonen.

Tot die tijd is het interessante feit niet het beleid. Het is het publicatiepatroon: NVIDIA zette een humanoïde controller op de open hub met een licentie en een zorgvuldige sectie met beperkingen, vertelde niemand er iets over en liet de kaart het gewicht dragen dat een lanceringsbericht vroeger droeg. Zes commits, drie likes en een downloadteller die nooit begon. Zo ziet een release eruit wanneer een bedrijf heeft besloten dat het artefact de aankondiging is.