GR00T ግምትን ያለ አካባቢያዊ GPU ማስኬድ

አንድ Raspberry Pi ለመንዳት በቂ ነው በሲሪያል አውቶቡስ ላይ እና ከሁለት ዩኤስቢ ካሜራዎች ፍሬሞችን ለማውጣት። ሶስት ቢሊዮን ፓራሜትር ለማስኬድ በቂ አይደለም : የNVIDIA README GR00T N1.7 ግምትን አንድ ጂፒዩ 16 ጂቢ ወይም ከዚያ በላይ VRAM እንደሚያስፈልገው ይገልጻል። የእርስዎ በጥሩ ሁኔታ የተስተካከለ ቼክፖይንት በክንድ ላይ ካርድ ሳይገዙ ምን እንደሚሰራ ለማየት፣ ፖሊሲውን በተከራየ የክላውድ ጂፒዩ ላይ ያድርጉት፣ የሮቦቱን ሉፕ ዩኤስቢ ወደቦች ባለው ማሽን ላይ ያቆዩት፣ እና ምልከታዎችን እና የድርጊት ክፍሎችን በአውታረ መረቡ ላይ ይላኩ።

ይሰራል፣ ነፃ አይደለም፣ እና ዋጋው በተግባራት ላይ እኩል አልተከፋፈለም። ከታች፡ የNVIDIA የራሱ የፖሊሲ ሰርቨር፣ የlerobot async stack፣ የእርስዎ አፕሊንክ በቂ ፍጥነት እንዳለው አስቀድሞ የሚናገረው ስሌት፣ እና የመድረክ መስመር። ሁሉም በIsaac-GR00T ዋና ቅርንጫፍ (N1.7 GA) እና lerobot 0.6.1 ላይ በ23 ኦገስት 2026 ተረጋግጧል።

ፖሊሲው በሮቦት ማሽን ላይ የማይገጥምበት ምክንያት

AY-Robots ሊያሰለጥናቸው ከሚችላቸው አምስት ፖሊሲዎች ውስጥ ሁለቱ በዎርክስቴሽን ካርድ ላይ ይሰራሉ፣ ሦስቱ ግን አይሰሩም። ከታች ያለው አምድ ለእያንዳንዱ የድርጊት እርምጃ ሲሆን፣ ይህ ቁጥር ከኔትወርክዎ የዙር ጉዞ ጋር የሚወዳደር ነው።

ይህን እንደ ውሳኔ እንጂ እንደ ቀላል መረጃ አይውሰዱት። በእያንዳንዱ እርምጃ 20 ms የሚወስደው በሮቦት ማሽኑ ላይ የሚሰራ ሲሆን ዳግመኛም ስለእሱ ማሰብ አይኖርብዎትም። በ485 ms የሚወስደው አንድ ፓኬት ከህንጻዎ ከመውጣቱ በፊት የሰከንድ አንድ ሶስተኛውን ያህል ጊዜ አሳልፏል። እና ትክክለኛነትን ይጨምራሉ።

አስቀድመው ያሉ ሁለት የደንበኛ-አገልጋይ ስታኮች

Isaac-GR00T የZeroMQ ጥያቄ-ምላሽ አገልጋይ ይልካል፤ lerobot ደግሞ በአሲንክሮነስ ኢንፈረንስ ዙሪያ የተገነባ gRPC አገልጋይ ይልካል። ሁለቱም GR00T ቼክፖይንት ይቀበላሉ። የlerobot የሚደገፉ የፖሊሲዎች ዝርዝር በ async_inference/constants.py ውስጥ act, smolvla, diffusion, tdmpc, vqbet, pi0, pi05 እና groot ናቸው፤ የሮቦት ዝርዝሩ ደግሞ so100_follower, so101_follower, bi_so_follower እና omx_follower ናቸው።

የመረጃ ማስተላለፊያ (serialization) ረድፍ ከሚታየው በላይ ጠቃሚ ነው። የGR00T MsgSerializer በሁለቱም አቅጣጫዎች object-dtype ndarray payloads አይቀበልም፣ ምክንያቱም msgpack_numpy ያለበለዚያ ወደ pickle ያስተላልፋቸዋል። ይልቁንም lerobot pickles ይጠቀማል፦ policy_server.py በጥያቄ መረጃ ላይ pickle.loads ይጠራል፣ robot_client.py የሚልከውን ምልከታ (observation) pickles ያደርጋል። በታመነ LAN ላይ ተቀባይነት ያለው ነው፣ ነገር ግን ፖርቱ ከኢንተርኔት ተደራሽ ከሆነ ተቀባይነት የለውም።

መንገድ ሀ: የNVIDIA የራሱ GR00T ፖሊሲ ሰርቨር

ይህ NVIDIA ለSO-100 እና SO-101 ሃርድዌር የሰነደው መንገድ ነው፣ እና የእርስዎ ቼክፖይንት ከ examples/finetune.sh ከ --embodiment-tag NEW_EMBODIMENT ጋር የመጣ ከሆነ የሚጠቀሙበት ነው። እነዚህ እርምጃዎች የupstream README ያልጠቀሰውን ይጨምራሉ፦ ፖርቱን ለሌሎች ሳያጋልጡ ወደ ሮቦት ማድረስ።

1. 1
   GR00Tን በተከራየው GPU ሳጥን ላይ ይጫኑ

   Submodules ያስፈልጋሉ፣ እና git-lfs ክሎን ከማድረግዎ በፊት መኖር አለበት አለበለዚያ በdemo_data ውስጥ ያሉት የparquet ፋይሎች እንደ ጠቋሚዎች (pointers) ሆነው ይመጣሉ። flash-attn እና TensorRT ከመደበኛው ጭነት ጋር አብረው ይመጣሉ። አዲስ የፖድ ምስል ላይ ያለው ችግር፦ torchcodec 0.8.0 ብቸኛው የሚደገፍ የቪዲዮ ባክኤንድ ሲሆን FFmpeg 4 እስከ 7 ብቻ ይጭናል። Ubuntu 25.10 እና 26.04 FFmpeg 8ን ይዘው ይመጣሉ፣ ስለዚህ GR00T በCould not load libtorchcodec ስህተት ይወድቃል። ከ8 በታች የሆነ FFmpeg ይጫኑ እና ላይብረሪዎቹን በLD_LIBRARY_PATH ላይ ያስቀምጡ።

   bash

   sudo apt install git-lfs && git lfs install
   curl -LsSf https://astral.sh/uv/install.sh | sh
   sudo apt-get update && sudo apt-get install -y ffmpeg
   
   git clone --recurse-submodules https://github.com/NVIDIA/Isaac-GR00T
   cd Isaac-GR00T
   uv sync --python 3.12
   uv run python -c "import gr00t; print('GR00T installed successfully')"

2. 2
   በgated backbone ላይ ማረጋገጫ ያድርጉ

   እያንዳንዱ GR00T N1.7 ቼክፖይንት፣ የራስዎን fine-tune ጨምሮ፣ ለመጀመሪያ ጊዜ ሲጠቀሙ gated nvidia/Cosmos-Reason2-2Bን ይጭናል። በሞዴል ገጹ ላይ መዳረሻ ይጠይቁ እና በፖዱ ላይ ይግቡ፣ አለበለዚያ መጫኑ በGatedRepoError ስህተት ይወድቃል።

   bash

   uv run huggingface-cli login
   # or:  export HF_TOKEN=<your_token>

3. 3
   የፖሊሲ ሰርቨሩን ያስጀምሩ

   --model-pathን ወደ የእርስዎ ቼክፖይንት ማውጫ ያመልክቱ፤ በዚያ መንገድ ሰርቨሩ --modality-config-pathን ችላ ይላል፣ ይህም በreplay path ላይ ብቻ የሚነበብ ነው። --model-pathን ይተው እና በምትኩ --dataset-path እና --execution-horizonን ያስተላልፉ፣ የተቀዱ ድርጊቶችን የሚያጫውት ReplayPolicy ለማግኘት፣ ይህም ሽቦው እንደሚሰራ ለማረጋገጥ በጣም ርካሹ መንገድ ነው።

   bash

   uv run python gr00t/eval/run_gr00t_server.py \
     --model-path /workspace/so100_finetune/checkpoint-10000 \
     --embodiment-tag NEW_EMBODIMENT \
     --device cuda:0 \
     --host 127.0.0.1 --port 5555

4. 4
   ፖርት 5555ን ወደ ሮቦት ማሽኑ ያሳልፉ (Tunnel)

   ከላይ እንደተገለጸው ወደ loopback ያገናኙ እና ፖርቱን በSSH ወይም በWireGuard-style mesh ያስተላልፉ። ይህ ZeroMQ ሶኬት የማያቀርበውን ምስጠራ እና ማረጋገጫ ለአንድ ሚሊሰከንድ ያህል ያቀርባል።

   bash

   # on the robot machine
   ssh -N -L 5555:127.0.0.1:5555 root@<pod-host> -p <pod-ssh-port>
   
   # sanity check that something answers
   nc -vz 127.0.0.1 5555

5. 5
   የሮቦት ደንበኛውን ከሰርቮዎቹ አጠገብ ያሂዱ

   ደንበኛው የራሱ የሆነ uv አካባቢ ያስፈልገዋል፦ የlerobot ሮቦት ነጂዎችን እንጂ የሥልጠና ስታክን አይፈልግም። eval_so100.py so100_follower, so101_follower እና koch_followerን ያስመጣል፣ ስለዚህ ከእጅዎ ጋር የሚዛመደውን --robot.type ያስተላልፉ (የupstream README so101_followerን ይጠቀማል)። የካሜራ ቁልፎች ከሥልጠናው ጋር መዛመድ አለባቸው፦ አስማሚው በትክክል front እና wristን ያነባል፣ እና እነሱን መቀያየር ፖሊሲው የተሳሳተ እይታ እንዲያይ ያደርገዋል።

   bash

   cd gr00t/eval/real_robot/SO100
   uv sync
   uv pip install --no-deps -e ../../../../
   
   uv run --no-sync python eval_so100.py \
     --robot.type=so100_follower \
     --robot.port=/dev/ttyACM0 \
     --robot.id=orange_follower \
     --robot.cameras="{ front: {type: opencv, index_or_path: 6, width: 640, height: 480, fps: 30}, wrist: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30}}" \
     --policy_host=127.0.0.1 \
     --policy_port=5555 \
     --lang_instruction="pick up the red block and put it in the bin"

መንገድ ለ፡ lerobot ያልተመሳሰለ መረጃ ማውጣት

lerobot የተለየ ችግር ይፈታል። ሞዴሉ በሚያስብበት ጊዜ ሮቦቱን ከማገድ ይልቅ፣ ሰርቨሩ ቀጣዩን ክፍል ሲያሰላ ደንበኛው አስቀድሞ ባለው ወረፋ ውስጥ ማለፉን ይቀጥላል። ይህ የድርጊት ክፍፍል ወደፊት የተራመደ፣ በSmolVLA የቀረበው ያልተመሳሰለ ስታክ ነው። ከGR00T ቼክፖይንት ጋርም ይሰራል።

# GPU machine
pip install -e ".[async]"
python -m lerobot.async_inference.policy_server \
     --host=127.0.0.1 \
     --port=8080

# robot machine, after tunnelling 8080
python -m lerobot.async_inference.robot_client \
    --server_address=127.0.0.1:8080 \
    --robot.type=so100_follower \
    --robot.port=/dev/ttyACM0 \
    --robot.id=follower_so100 \
    --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30}, wrist: {type: opencv, index_or_path: 1, width: 640, height: 480, fps: 30}}" \
    --task="pick up the red block and put it in the bin" \
    --policy_type=groot \
    --pretrained_name_or_path=<user>/my_groot_finetune \
    --policy_device=cuda \
    --actions_per_chunk=50 \
    --chunk_size_threshold=0.5 \
    --debug_visualize_queue_size=True

ሰርቨሩ ባዶ ሆኖ ይጀምራል፡ የደንበኛው የመጀመሪያ የእጅ መጨባበጥ እስኪነግረው ድረስ የትኛውን ፖሊሲ እንደሚያገለግል አያውቅም፣ ይህም በተከራየ ፖድ ላይ ምቹ ነው። ክንዱ በተቀላጠፈ ሁኔታ መንቀሳቀሱን የሚወስኑት ሁለቱ መቆጣጠሪያዎች actions_per_chunk እና chunk_size_threshold (የሌሮቦት ሰነዶች ሁለተኛውን g ብለው ይጠሩታል፣ ከSmolVLA ወረቀት በኋላ)፣ እና በሰነድ ላይ ያሉት እሴቶች እና የተላኩት እሴቶች አይስማሙም።

የእርስዎ ግንኙነት በቂ ፍጥነት እንዳለው የሚወስነው ስሌት

ሰዎች ይህንን ይዘላሉ ከዚያም አንድ ቀን ያጠፋሉ . ሁለት ደቂቃ ብቻ ነው የሚወስደው እና ሁልጊዜ ማለት ይቻላል ወሳኝ ነው።

በNVIDIA's ውስጥ ያለው አስተያየት የተሰጠበት የክትትል መዝገብ eval_so100.py በሽቦው ላይ ምን እንደሚሄድ ይናገራል፡ ሁለት የ(480, 640, 3) ቅርጽ ያላቸው uint8 ድርድሮች፣ ስድስት የጋራ ተንሳፋፊዎች፣ የቋንቋ ሕብረቁምፊ። ይህ በአንድ ፍሬም 921,600 ባይት፣ ለሁለት ካሜራዎች 1,843,200 ባይት፣ ወደ 14.7 Mbit ነው፣ እና የትኛውም ስታክ JPEG-አይጨምቀውም። ተመልሶ የሚመጣው ክፍል ጥቂት ደርዘን የ6 ተንሳፋፊዎች እርምጃዎች ነው። የእርስዎ አፕሎድ ሁሉንም ነገር ይወስናል፣ ዳውንሎድዎ አይደለም።

ውስጥ መግባት ያለብዎት በጀት

የGR00T SO-100 ደንበኛ ተመሳስሎ ይሰራል (synchronous): policy.get_action(obs)ን ይጠራል፣ የመጀመሪያዎቹን action_horizon የጥቅል ደረጃዎች በ30 FPS ያከናውናል፣ ከዚያ እንደገና ይጠራል። የጥቅል መጠን እና አድማስ የተለያዩ ቁጥሮች ናቸው፦ የNVIDIA የማሰማሪያ መመሪያ የድርጊት ጥቅል መጠን 16 እንዲሆን ይመክራል፣ ከእውነተኛ ጊዜ ጥቅል አሰራር ጋር ሲጣመር ደግሞ ቢያንስ 32፣ eval_so100.py ደግሞ የ8 የማስፈጸሚያ አድማስ ይዞ ይመጣል። በ30 FPS ስምንት ደረጃዎች በአንድ ጥሪ 267 ሚሊሰከንድ እንቅስቃሴ ሲሆን፣ ሌላው ሁሉ በዚህ ውስጥ መግባት አለበት።

observation upload   14.7 Mbit / 100 Mbit/s   = 147 ms
network round trip                            =  30 ms
model inference (AY-Robots figure, N1.7)      = 152 ms
action chunk return + deserialize             =  ~2 ms
                                                -------
total per call                                  331 ms

budget at action_horizon = 8   ->  267 ms   FAIL, arm pauses ~64 ms per chunk
budget at action_horizon = 16  ->  533 ms   fits, with headroom
budget at action_horizon = 32  -> 1067 ms   fits, observations now ~1 s stale

አድማሱን ከፍ ማድረግ ቀጥተኛ መፍትሄ እንጂ ነፃ አይደለም፦ ክንዱ አሁን ባረጀ ምልከታ ላይ ይሰራል። መሰረታዊው መፍትሄ የእውነተኛ ጊዜ ጥቅል አሰራር (real-time chunking) ሲሆን፣ ይህም የአሁኑ ጥቅል እየሰራ እያለ ቀጣዩን ጥቅል ያሰላል፣ ለመፈጸም የተረጋገጡ ድርጊቶችን ያቆማል እና የቀረውን ይሞላል፤ የRTC ወረቀት ያለ ምንም ዳግም ስልጠና ለመገመት መዘግየት ጠንካራ እንደሆነ ይገልጻል። ይህ የት እንደደረሰ መጀመሪያ ያረጋግጡ። NVIDIA RTCን እንደ የሙከራ ደረጃ፣ በ action_head.get_action(..., options={"rtc_overlap_steps": ..., "rtc_frozen_steps": ...}) በኩል ሊደረስበት የሚችል ዝቅተኛ ደረጃ ሞዴል ጥንታዊ አካል አድርጎ ይገልጻል፣ ነገር ግን ከGr00tPolicy ወይም ከሰርቨር-ደንበኛ መንገድ ጋር አልተገናኘም፣ options ጥቅም ላይ ያልዋለ፣ ምንም ሙከራዎች እና ምሳሌ የሌለው ነው። በፖሊሲ ሰርቨር ላይ ተመሳስሎ ያልሆነ አፈጻጸም (asynchronous execution) ያገኛሉ እንጂ RTC አይደለም።

ከማመንዎ በፊት ይለኩት

ከላይ ያለው እያንዳንዱ ቁጥር ትንበያ ነው። አራት ትዕዛዞች ወደ መለኪያነት ይለውጡታል፣ በጭራሽ የማይሰራ ስራ ላይ የፖድ-ሰዓት ከማዋልዎ በፊት ማካሄድ ተገቢ ነው።

1. 1
   ጥሬውን የዙር ጉዞ ያግኙ

   ከፖዱ ጋር እንጂ ከCDN ጋር አይደለም። መዛባትን እንደ አማካዩ በጥንቃቄ ይመልከቱ፡ መወዛወዝ ክንድ እንዲንተባተብ ያደርጋል እንጂ አማካይ መዘግየት አይደለም።

   bash

   ping -c 50 <pod-host>
   # the mdev column is the number that predicts stutter

2. 2
   ያለዎትን አፕሊንክ ይለኩ እንጂ የሚከፍሉትን አይደለም

   የመኖሪያ ቤት አፕሎድ ብዙውን ጊዜ የዳውንሎድ ክፍል ነው፣ እና ከላይ ባለው የባንድዊድዝ ሰንጠረዥ ውስጥ ያለው ቁጥር ነው።

   bash

   # on the pod
   iperf3 -s
   
   # on the robot machine, -R omitted so this measures upload
   iperf3 -c <pod-host> -t 30

3. 3
   የክሊየንቱን የራሱን የመዘግየት ምዝግብ ያንብቡ

   የLeRobot ሮቦት ክሊየንት ለእያንዳንዱ ቸንክ የሰርቨር-ወደ-ክሊየንት መዘግየትን እና የዲሴሪያላይዜሽን ጊዜን ይመዘግባል። በB መስመር ላይ ምንም ውጫዊ መሳሪያ አያስፈልግዎትም።

   text

   Received action chunk for step #240 | Latest action: #232 |
     Incoming actions: 240:289 |
     Network latency (server->client): 187.44ms |
     Deserialization time: 3.10ms

4. 4
   የድርጊት ሰልፉ ሲለቀቅ ይመልከቱ

   --debug_visualize_queue_size=True ን ያስተላልፉ እና ክሊየንቱ በሩጫ ጊዜ የሰልፍ መጠንን ያሳያል። በተደጋጋሚ ዜሮ ከደረሰ በጀት አልቆብዎታል፡ fps ን ይቀንሱ፣ actions_per_chunk ን ይጨምሩ፣ ወይም chunk_size_threshold ን ይጨምሩ ስለዚህ ምልከታዎች ብዙ ጊዜ ይወጣሉ።

   bash

   python -m lerobot.async_inference.robot_client \
       ... \
       --debug_visualize_queue_size=True

የርቀት ግምት በእርግጥ ለምን ይጠቅማል

የርቀት አሂድ በእያንዳንዱ ክፍል ውስጥ በተመሳሳይ ነጥብ ላይ የሚንተባተብ ከሆነ፣ አውታረ መረቡ ምናልባት መንስኤው ላይሆን ይችላል። ፖሊሲው በእያንዳንዱ ጊዜ በተመሳሳይ የመገጣጠሚያ አንግል ላይ ማመንታት ብዙውን ጊዜ የውሂብ ችግር ነው፤ ይመልከቱ የውድቀት-ሁኔታ ገጾች፣ በተለይም በአንድ ዝግጅት ላይ ብቻ የሚሰራ ፖሊሲ እና ኪሳራው ይወድቃል ግን ፖሊሲው ምንም አያደርግም.

እራስዎ ማድረግ ከ AY-Robots ላይ ማድረግ

የሩቅ ግምት ክፍለ ጊዜ ምን ያህል ያስከፍላል

ሁለት ቁጥሮች አስፈላጊ ናቸው፡ የካርዱ የሰዓት ዋጋ እና ለምን ያህል ጊዜ እንደሚያስኬዱት። የመጀመሪያው የታተመ ነው፤ ሁለተኛው ሰዎችን ያስደንቃል።

እነዚህ ዋጋዎች ከRunpod የዋጋ ገጽ በኦገስት 23፣ 2026 የተነበቡ ሲሆን፣ የቦታ ገበያዎች ይለዋወጣሉ። AY-Robots በምትኩ ሙሉ ሩጫን ይጠቅሳል፡ በA100 ወይም H100 ደረጃ በሰዓት ከ1.20 እስከ 2.00 ዶላር ከ3 እስከ 6 ሰዓታት፣ ለGR00T ወይም Pi0.5 ሩጫ ከ4 እስከ 12 ዶላር ያህል፤ በ24 ጂቢ ደረጃ በሰዓት ከ0.30 እስከ 0.60 ዶላር ከ2 እስከ 5 ሰዓታት፣ ለSmolVLA ወይም ACT ከ1 እስከ 3 ዶላር። የግምት ክፍለ ጊዜ የሥልጠና ሩጫን በዋጋ የሚበልጠው ካቆሙት ብቻ ነው፣ ለዚህም ነው idle watchdog ያለው። ይመልከቱ የክፍያ ሰነዶች እና የዋጋ ገጽ.

አውታረ መረቡ በዑደት ውስጥ እንዲኖር ካልፈለጉ

የርቀት ግምት የሃርድዌር ችግርን ይፈታል እና የዘገየ ችግር ይፈጥራል። አንዳንድ ጊዜ የተሻለው መልስ ያለዎትን ሃርድዌር የሚስማማ ፖሊሲ ነው።

• ACT፣ በግምት 80 M ፓራሜትሮች እና ለእያንዳንዱ የእርምጃ ደረጃ 20 ms፣ ዝቅተኛው 50 ክፍሎች፣ ማንኛውም 24 GB ካርድ። በተደጋጋሚ በሚሰራ ነጠላ ተግባር ማዋቀር ላይ፣ የርቀት 3 B ሞዴልን በተደጋጋሚ ያሸንፋል፣ ምክንያቱም ፓኬት በጭራሽ አይጠብቅም።
• SmolVLA፣ በግምት 450 M ፓራሜትሮች እና ለእያንዳንዱ የእርምጃ ደረጃ 245 ms፣ ዝቅተኛው 30 ክፍሎች። ACT የሌለውን የቋንቋ ሁኔታን ይይዛል፣ እና የlerobot ሰነዶች በግምት 2 GB በግምት ጊዜ ከ PI0 በግምት 14 GB ጋር ያወዳድሩታል።
• ACT vs GR00T N1.7 ለንግዱ ትክክለኛነት ግማሽ።

መካከለኛ መንገድም አለ፡ በክላውድ ውስጥ ማሰልጠን፣ በአካባቢው መገምገም። ጥሩ ማስተካከያ የ80 GB ካርድ ያስፈልገዋል እና ስለ መዘግየት ግድ የለውም፣ ስለዚህ GR00T N1.7ን በSO-100 ላይ ማሰልጠን በርቀት አከራካሪ አይደለም። የግምገማው ዑደት ብቻ የእውነተኛ ጊዜ ገደብ አለው፤ የስልጠና ሰነዶች እና የሞዴል እና ክንድ ማትሪክስ ያንን ግማሽ ይሸፍናሉ።

ተደጋግመው የሚጠየቁ ጥያቄዎች

አጭር ማብራሪያ

ለ 3 B ፖሊሲ ያልተፈታ የፊዚክስ ችግር የተያያዘበት የተፈታ የምህንድስና ችግር ነው። ምህንድስናው ሁለት ትዕዛዞች እና አንድ SSH tunnel ነው። ፊዚክሱ ደግሞ 1.8 MB ምልከታ ክንዱ ድርጊቶችን ከማለቁ በፊት በሌላ ሀገር ውስጥ ወደሚገኝ GPU ደርሶ መመለስ አለበት። ማንኛውንም ነገር ከመከራየትዎ በፊት ስሌቱን ያድርጉ፣ የቆየ ምልከታን የሚታገስ ተግባር ይምረጡ፣ እና ሊንኩ ይሻሻላል ብሎ ከመጠበቅ ይልቅ የአፈፃፀም አድማሱን ያሳድጉ።

እስካሁን የውሂብ ስብስብ ካልመዘገቡ፣ የመጀመሪያውን የውሂብ ስብስብ ይመዝግቡ እና የSO-100 ማዋቀሪያ መመሪያ ይቀድማል፣ እና የLeRobot የውሂብ ስብስብ ቅርጸት ግቤት መቅጃው ምን እንደሚጽፍ ያብራራል። ዳራው በራዕይ-ቋንቋ-ድርጊት ሞዴሎች እና በፍሎው-ማቺንግ ፖሊሲ ስራ፤ የአሬና ግቤት እያንዳንዱን የቤንችማርክ ቁጥር ከመነሻው ጋር ያገናኛል።