የትኛውን VLA ፖሊሲ በ2026 ማሰልጠን አለብዎት?

ዛሬ በአንድ SO-100 ክፍል ክንድ ላይ አምስት ፖሊሲዎች ማሰልጠን ይቻላል። እነዚህም በ24 እጥፍ የኢንፈረንስ መዘግየት፣ በ37 እጥፍ የፓራሜትር ብዛት እና በ12 እጥፍ የአንድ ሩጫ ወጪ፣ እንዲሁም ውጤቱን መላክ ይቻል እንደሆነ ይለያያሉ። አምስት ሞዴል ካርዶች ይህን ጥያቄ አይመልሱትም፡ የትኛውን መጀመሪያ ላስኬድ የሚለውን ጥያቄዎትን አንዳቸውም አይመልሱም።

ከታች ያሉት ሁሉም ቁጥሮች ከወረቀቶች፣ ሪፖዎች እና ካርዶች በነሐሴ 2026 የተነበቡ ናቸው። የፕላትፎርም ቁጥሮች የመጡት ከ የAY-Robots ፖሊሲ ካታሎግ፤ ሁለቱ የማይስማሙ ከሆነ፣ ሁለቱም ይታያሉ።

የውሳኔ ሰንጠረዥ

አምስቱ እጩዎች

አምስቱም ፖሊሲዎች ናቸው: የካሜራ ፍሬሞች፣ የመገጣጠሚያ ቦታዎች እና፣ ከአራቱ ውስጥ፣ የቋንቋ መመሪያ፣ ለወደፊት የመገጣጠሚያ ኢላማዎች ክፍል የተመደበ። የሚለያቸው ነገር እርስዎ ከመምጣትዎ በፊት ምን ያህል እንደተማሩ ነው።

GR00T N1.7

የNVIDIA የአሁኑ የእይታ-ቋንቋ-ድርጊት ሞዴል፣ ወደ 3 ቢሊዮን የሚጠጉ መለኪያዎች ያሉት፣ ከ40 ሚሊዮን የሚጠጉት በጥሩ ማስተካከያ ወቅት የሰለጠኑ ናቸው። ማከማቻው ከN1.6 የተደረጉ ለውጦችን ይዘረዝራል፡ የጀርባ አጥንት ከEagle ሞዴል ወደ Cosmos-Reason2-2B በQwen3-VL፣ የስርጭት ንብርብሮች ከ32 ወደ 16፣ የሁኔታ እና የድርጊት ልኬቶች ከ29 ወደ 132፣ የድርጊት አድማስ ከ16 ወደ 40።

በትንሽ ክንድ ላይ አስፈላጊው ነገር አንጻራዊው የመጨረሻ-ተፅዕኖ ፈጣሪ የድርጊት ቦታ ነው፡ N1.7 ከአሁን ካለው አቀማመጥ ለውጦችን ይተነብያል፣ ይህም 20K ሰዓታት የEgoScale የሰው ቪዲዮ ወደ ሮቦት ፖሊሲ እንዲተላለፍ ያስችላል። ዝርዝር መግለጫው በየN1.7 ገጽ ላይ፣ አሰራሩ በየN1.7 በSO-100 መመሪያ።

GR00T N1.5

ተመሳሳይ 3 ቢ ስኬል፣ Eagle 2 ባክቦን፣ SigLip2 እና T5፣ ፍሎው-ማችንግ ዲአይቲ ሄድ። አስቀድሞ ያለዎትን ለማስፋት ያለ ነው። ሁለት ነገሮች ደካማ ነባሪ ያደርጉታል፡ ክብደቶቹ NVIDIA's የአንድ-መንገድ ለንግድ ያልሆነ ፈቃድ ይዘዋል፣ እና የአሁኑ የLeRobot ልቀቶች የN1.5 ድጋፍን አስወግደዋል። ይመልከቱ .

Pi0.5

Physical Intelligence's ቪኤልኤ፣ የፖሊሲ አይነት pi05. ወረቀቱ ከPaliGemma የተጀመረ 2 ቢ ቪኤልኤም እና 300 ኤም የአክሽን ኤክስፐርት ይሰጣል፣ ሮቦቱን በ50 ኸርዝ ያንቀሳቅሳል፤ የLeRobot's pi05 ኮንፊግ ነባሪው 50-ደረጃ ቸንክ ነው፣ በዚያ ፍጥነት አንድ ሰከንድ። የሽያጭ ነጥቡ ያልታዩ ቦታዎች ናቸው፡ በእውነተኛ ቤቶች ውስጥ ወደ 400 ሰዓታት የሚጠጋ የሞባይል ማኒፑሌሽን፣ እና በ3፣ 12፣ 22፣ 53፣ 82 እና 104 ቦታዎች ላይ የተደረገ የስኬሊንግ ጥናት፣ በዚህም የ104-ቦታ ሞዴል በራሳቸው የሙከራ ቤቶች ላይ የሰለጠነ ቁጥጥርን አዛምዷ።

አንድ ገደብ፣ በlerobot/pi05_base ካርድ ላይ የተገለጸው: ወደቡ የሚያስተላልፈው ፍሰት-ተዛማጅ የሆነውን የድርጊት ራስን ብቻ ነው። ንዑስ ተግባር ትንበያ፣ የድርጊት ቶከን ማድረግ እና RL ከላይ አልተለቀቁም፣ እና openpi የራሱ ማከማቻም ተመሳሳይ እንደሆነ ይናገራል። የPi0.5 ገጽ እና የPi0.5 በSO-100 ላይ ያለው መመሪያ ቀሪውን ይዘዋል።

SmolVLA

450 M ፓራሜትሮች፣ ከ100 M የሚሆኑት በድርጊት ኤክስፐርት ውስጥ፣ በSmolVLM-2 ላይ VLMው ቀዝቅዞ እና የእሱ የመጀመሪያዎቹ 16 የቋንቋ-ሞዴል ንብርብሮች ብቻ ጥቅም ላይ ውለዋል። ቅድመ-ስልጠናው የማህበረሰብ ዳታ ነበር: 481 የዳታ ስብስቦች፣ 10.6 M ፍሬሞች፣ ከእርስዎ ከሚጠቀሙባቸው ተመሳሳይ ርካሽ ክንዶች የተገኙ። እዚህ አንድ 24 GB ካርድ የሚመጥን ብቸኛው VLA፣ እና ብቸኛው 30 ክፍል ወለል። ይመልከቱ የSmolVLA ገጽ.

ACT

መሰረታዊ ሞዴል አይደለም። ከALOHA የመጣው Action Chunking Transformer ለእያንዳንዱ ተግባር ከባዶ የሰለጠነ ወደ 80 M ፓራሜትሮች አሉት፣ በ50 ማሳያዎች በ50 Hz። ወረቀቱ ስድስት እውነተኛ የሁለት እጅ ተግባራትን ሪፖርት ያደርጋል፣ እያንዳንዳቸው ከአስር ደቂቃ ማሳያዎች የተገኙ ናቸው፣ በሚያጎላባቸው ምሳሌዎች ላይ ከ80 እስከ 90 በመቶ ስኬት አለው። የእሱ ሀሳብ፣ የድርጊት ክፍፍል፣ በዚህ ገጽ ላይ ባሉ ሁሉም ሞዴሎች ውስጥ ይገኛል፣ እና የእሱ አብሌሽን አሁንም ውጤቱን የሚለካው በጣም በተሻለ ሁኔታ ነው፡ ጊዜያዊ ስብስብ ጠፍቶ በሁለት አስመሳይ ተግባራት ላይ፣ ስኬት ከ1 በመቶ (k=1) ወደ 44 በመቶ (k=100) ከፍ ይላል። የACT ገጽ ቀሪውን ይዟል።

የመለኪያ መመዘኛዎቹ በትክክል የሚሉት

LIBERO ከእነዚህ አምስት ውስጥ ሦስቱ ሪፖርት የሚያደርጉበት አንድ የመለኪያ መመዘኛ ነው፡ በቋንቋ የተመሰረቱ ተግባራት በአስመሳይ Franka Panda ላይ፣ ከታች ባሉት አራት ስብስቦች የተከፋፈሉ ሲሆን እያንዳንዳቸው አስር ተግባራት አሏቸው። NVIDIA ለእያንዳንዱ ስብስብ 200 ሙከራዎችን አድርጓል።

SimplerEnv ስርጭቱን ያሳያል፣ LIBERO ግን አያሳይም። NVIDIA N1.7ን ከN1.6 ጋር ያነፃፅራል፣ ይህም ለgenerational delta. በጣም ቅርብ የሆነ የህዝብ ነገር ነው።

የብሪጅ ረድፍ ጠቃሚው ነው፡ በአማካይ 5.7 ነጥብ ሲገኝ put_eggplant_in_basket 36 አጥቷል እና put_eggplant_in_sink ከ33 ወደ 2 ወርዷል። አዲስ ትውልድ ስርጭቱን ከማንሳት ይልቅ ያንቀሳቅሰዋል፣ ስለዚህ ስራዎ N1.7 ወደ ኋላ በቀረበት ቦታ ከሆነ፣ አማካዩ ምንም አይናገርም።

ከአምስቱ ውስጥ፣ የSmolVLA ወረቀት ብቻ ነው ስለ SO-100 ክፍል ክንድ ሪፖርት የሚያደርገው፡ ለSmolVLA 78.3 በመቶ እና ለPi0 በሶስት ተግባራት ላይ 61.7፣ ሁለቱም ባለብዙ ተግባር፣ ከ48.3 ለACT በአንድ ተግባር የሰለጠነ ጋር ሲነጻጸር፣ ይህም ተመሳሳይ አይደለም። ንጹህ ጥምረት በSO-101 መርጦ ማስቀመጥ ላይ ሁለቱም ነጠላ ተግባር ናቸው፡ በስርጭት ውስጥ 90 ከ70፣ ከስርጭት ውጪ 50 ከ40። ከሱ ውጪ። ያወዳድሩ በ ACT ከSmolVLA ጋር እና Pi0.5 ከSmolVLA ጋር፣ ወይም ያስሱ አሬናውን.

መዘግየት እና ወጪ መዘርጋትን ይወስናሉ

የግምት መዘግየት ሰዎች በመጨረሻ የሚያገኙት እና በመጀመሪያ የሚጸጸቱበት ገደብ ነው። በአንድ መለኪያ ላይ በአምስት ነጥብ የተሻለ ፖሊሲ ግን በአንድ የድርጊት እርምጃ ግማሽ ሰከንድ የሚወስድ ከሆነ በጠረጴዛዎ ላይ የከፋ ይመስላል: የግንኙነት ተለዋዋጭነት አይጠብቅም።

አንድ ማስጠንቀቂያ: የGR00T አሃዝ ከNVIDIA ካርድ ጋር አይስማማም, ይህም 4 የድምፅ ቅነሳ ደረጃዎችን እና አንድ ካሜራ በH100 ላይ በ85.8 ms በ eager mode, በtorch.compile 48.6 ms, እና ሙሉ TensorRTን በመጠቀም 27.9 ms ይወስዳል። እዚህ ያለው 152 ms የአገልግሎት ወጪን እና ከአንድ በላይ ካሜራዎችን ያካተተ አጠቃላይ የሲስተም አሃዝ ነው, እንጂ forward pass አይደለም።

ሞዴሉን ሳይቀይሩ ጊዜ ለመግዛት አንድ መንገድ: የSmolVLA ወረቀት synchronous executionን ይለካል, በዚህም ፖሊሲው ቀጣዩን ከመተንበዩ በፊት አንድ ክፍል ያጠናቅቃል, ከ asynchronous ጋር ሲነጻጸር, በዚህም ትንበያ ከ execution ጋር ይደራረባል። ስኬት ተመሳሳይ ነው, 78.3 ከ 73.3 ጋር ሲነጻጸር, ነገር ግን ተመሳሳይ pick-and-place 13.75 ፈንታ 9.7 ሰከንዶች ይወስዳል, እና በ ቋሚ መስኮት ውስጥ ሮቦቱ 9 ፈንታ 19 ዑደቶችን ያስተዳድራል።

ፈቃዶች፣ ማንም ስለማይፈትሻቸው ተፈትሸዋል

የ Pi0.5 ረድፍ ጥንቃቄ ያስፈልገዋል። የ LeRobot pi05 ሰነድ ከ openpi ጋር በሚስማማ መልኩ Apache 2.0 ይላል፣ የ Hub ካርዱ ለ lerobot/pi05_base ሲይዝ license: gemma። ሁለቱም ንቁ ናቸው። GR00T N1.7 ደግሞ የቀለለ ስሪት አለው፡ የ Isaac-GR00T README N1.7 በ Apache 2.0 ስር ሙሉ በሙሉ ለንግድ አገልግሎት ፈቃድ ሊሰጥ እንደሚችል በነገራችን ላይ ይገልጻል፣ የራሱ የፈቃድ ክፍል እና የሞዴል ካርዱ ኮዱን ብቻ በ Apache 2.0 ስር ሲያስቀምጡ ክብደቶቹን ደግሞ በ NVIDIA Open Model License ስር አስቀምጠዋል።

በእርግጥ የሚያስኬዷቸው ነባሪዎች

እያንዳንዱ የትሬነር ፎርም ነባሪ ቅንብር ይዞ ይመጣል፣ እና እነዚህም በዘፈቀደ የተመረጡ አይደሉም። ACT's are LeRobot's own: batch 8, lr 1e-5, 100000 የሥልጠና ደረጃዎች፣ የቁራጭ መጠን 100፣ ከ ACTConfig አፕስትሪም ጋር የሚዛመድ እና k=100 from the ACT paper. ከታች ካሉት ዓምዶች አንዱ ወጥመድ ነው።

ከሞዴል ምርጫ በላይ አስፈላጊ የሆነው መቆጣጠሪያ

ይህ የድርጊት ክፍል ነው። ረዘም ያሉ ክፍሎች ለስላሳ እንቅስቃሴ እና አነስተኛ ስህተቶችን ይሰጣሉ፣ ነገር ግን ፖሊሲው ብሎኩ በሚሰራበት ጊዜ የተወሰነ ስለሆነ፣ ለሚንቀሳቀስ ማንኛውም ነገር ዘግይቶ ምላሽ ይሰጣል፡ በማይንቀሳቀስ ኪዩብ ላይ በራስ መተማመን ሲኖረው፣ በሚንከባለል ላይ ተስፋ የለውም። ከልክ በላይ ከሄደ፣ የተሰራውን ክፍል ማሳጠር እንደገና ከማሰልጠን የተሻለ እና ነፃ ነው። ቀደም ብሎ የሚቆም መገጣጠሚያ የተለየ ችግር ነው፤ ይመልከቱ .

• ACT: ACTConfig በነባሪነት chunk_size 100 እና n_action_steps 100 ይጠቀማል። ጊዜያዊ ስብስብ ጠፍቷል እና n_action_steps 1 ያስፈልገዋል።
• GR00T N1.7: ውስጣዊው አድማስ ከ16 ወደ 40 ቢሄድም፣ የLeRobot SO-101 ምሳሌ አሁንም --policy.chunk_size=16 --policy.n_action_steps=16ን ያካሂዳል። የrollout ባንዲራ ወደ --execution-horizon ተቀይሯል።
• Pi0.5: 50-ደረጃ ያለው ክፍል ሲሆን፣ የLeRobot LIBERO የምግብ አሰራር 10ቱን በ--policy.n_action_steps=10 በኩል ያከናውናል። --policy.pretrained_path ሲኖር ባንዲራውን ከዘለሉ ወደ 50 ይመለሳል።
• SmolVLA: 50-ድርጊት ክፍሎች፣ ሁለቱም መቆጣጠሪያዎች ክፍት ናቸው።

አምስቱንም በአንድ ከሰዓት በኋላ እንዴት ማጣራት ይቻላል

ርካሹ መልስ ብዙ ማንበብ አይደለም። ወደ 15 USD ያህል አውጥተው ክንዱ እንዲነግርዎት ያድርጉ፡ አንድ ጊዜ ይመዝግቡ፣ መጀመሪያ ርካሹን ሞዴል ያሰለጥኑ፣ መረጃው ትክክል መሆኑን ካረጋገጠ በኋላ ያሳድጉ። መዋቅር ከብዛት ይበልጣል፣ የ እና የ .

1. 1
   50 ክፍሎችን አንድ ጊዜ ይመዝግቡ

   ሃምሳ ለGR00T፣ Pi0.5 እና ACT፣ እንዲሁም ለSmolVLA 30 መንገድ ይከፍታል። እያንዳንዱን ልዩነት ደጋግመው ይስሩ እንጂ አያዳርሱት፡ 50 ክፍሎች በ5 የኩብ አቀማመጦች ላይ የሰለጠኑ ሲሆን 25ቱ ግን አልሰለጠኑም። የመጀመሪያውን የውሂብ ስብስብዎን ይመዝግቡ።

   bash

   lerobot-record \
     --robot.type=so100_follower \
     --robot.port=/dev/ttyACM1 \
     --robot.id=my_follower_arm \
     --teleop.type=so100_leader \
     --teleop.port=/dev/ttyACM0 \
     --teleop.id=my_leader_arm \
     --dataset.repo_id=${HF_USER}/pick-place-50 \
     --dataset.num_episodes=50 \
     --dataset.single_task="Put the lego brick into the box"

2. 2
   ACTን መጀመሪያ ያሰልጥኑ፣ ምክንያቱም ሊዋሽዎት አይችልም

   ቅድመ-የሰለጠኑ ክብደቶች የሉም፣ ስለዚህ ስራውን ከሰራ፣ የውሂብ ስብስብዎ ስራውን ይዟል። ACT ከቀዘቀዘ፣ ውሂቡን ያስተካክሉ። 1 to 3 USD፣ 2 to 5 ሰዓታት በ24 GB ካርድ ላይ።

   bash

   lerobot-train \
     --dataset.repo_id=${HF_USER}/pick-place-50 \
     --policy.type=act \
     --policy.device=cuda \
     --batch_size=8 \
     --steps=100000 \
     --seed=1000 \
     --output_dir=outputs/train/act_pickplace \
     --job_name=act_pickplace

3. 3
   SmolVLAን በተመሳሳይ የውሂብ ስብስብ ላይ ያሂዱ፣ ሳይቀየር

   ተመሳሳይ ውሂብ፣ ተመሳሳይ ክንድ፣ ከ80 M ይልቅ 450 M መለኪያዎች፣ በተጨማሪም የቋንቋ ሁኔታ። LeRobot 20K እርምጃዎችን በአንድ A100 ላይ በግምት 4 ሰዓታት ይወስዳል። ይህ ቅድመ-ስልጠና ምንም ነገር እንደሚያመጣ ይነግርዎታል።

   bash

   lerobot-train \
     --policy.path=lerobot/smolvla_base \
     --dataset.repo_id=${HF_USER}/pick-place-50 \
     --batch_size=64 \
     --steps=20000 \
     --policy.device=cuda \
     --output_dir=outputs/train/smolvla_pickplace \
     --job_name=smolvla_pickplace

4. 4
   GR00Tን ከመንካትዎ በፊት ወደ v2.1 ይቀይሩ

   GR00T የLeRobot v2 ቅርጸት አይነትን እና የተጨመረ meta/modality.json የተዋሃዱ የሁኔታ እና የድርጊት ድርድሮች ወደ ስም ያላቸው መስኮች እንዴት እንደሚከፋፈሉ የሚያሳይ ካርታ ያነባል። v3.0 የውሂብ ስብስብ ያንን ጫኝ ያበላሸዋል፣ ምክንያቱም v3.0 ብዙ ክፍሎችን ወደ የጋራ ፋይሎች ስለሚያስገባ v2 ግን ለእያንዳንዱ ክፍል አንድ ፋይል ይጽፍ ነበር። Isaac-GR00T የማውረድ ረዳቱን እንደ scripts/lerobot_conversion/convert_v3_to_v2.py ያቀርባል፤ የv3 ውድቅ ገጽ ፈጣን መንገድ ነው።

   text

   # GR00T expects this layout, not the v3.0 file-based one
   my_dataset/
     meta/
       info.json
       episodes.jsonl      # episode index and lengths
       tasks.jsonl         # language task descriptions
       modality.json       # GR00T-specific: state/action/video key mapping
     data/chunk-000/       # parquet, state and action per timestep
     videos/chunk-000/     # one mp4 per episode

5. 5
   የመጀመሪያዎቹ ሁለቱ ምንም ካልሰሩ ወደ GR00T N1.7 ብቻ ያሳድጉ

   እዚህ በሚታየው በNVIDIA CLI በኩል፣ ወይም በLeRobot groot ፖሊሲ አይነት። NVIDIA ለጥሩ ማስተካከያ 40 GB ወይም ከዚያ በላይ VRAM፣ ለመገመት ደግሞ 16 GB ይመክራል። በOOM ላይ፣ የOOM ገጽን ይመልከቱ።

   bash

   CUDA_VISIBLE_DEVICES=0 uv run python \
     gr00t/experiment/launch_finetune.py \
     --base-model-path nvidia/GR00T-N1.7-3B \
     --dataset-path demo_data/cube_to_bowl_5 \
     --embodiment-tag NEW_EMBODIMENT \
     --modality-config-path examples/SO100/so100_config.py \
     --num-gpus 1 \
     --output-dir /tmp/test_finetune \
     --max-steps 2000 \
     --global-batch-size 32 \
     --dataloader-num-workers 4

ያንን የማጣሪያ ማለፊያ ለማስኬድ ሁለት መንገዶች

# 1. LeRobot: ACT, SmolVLA, Pi0.5 and GR00T N1.7 via --policy.type=groot
pip install "lerobot[smolvla]"
pip install "lerobot[pi]"
pip install "lerobot[groot]"

# 2. GR00T reference implementation and benchmark examples
git clone https://github.com/NVIDIA/Isaac-GR00T

# 3. Physical Intelligence reference implementation
git clone --recurse-submodules https://github.com/Physical-Intelligence/openpi

መሰረታዊ ሞዴል ወይም ከባዶ

ትክክለኛው ምርጫ የትኛውን 3 B ሞዴል መምረጥ አይደለም። ይልቁንም ቅድመ-ስልጠና የወሰደ VLA መጠቀም አለመጠቀም ነው፣ ምክንያቱም ACT እያንዳንዳቸው ከአስር ደቂቃ በሚበልጡ ማሳያዎች ስድስት እውነተኛ የሁለት እጅ ስራዎችን የተማረው በ80 M ፓራሜትሮች እና ምንም ቅድመ-ስልጠና ሳይወስድ ነው።

የድሮ ሩጫን እንደገና የማባዛት ሁኔታ

የ2025 ቼክፖይንትን መከታተል የሞዴል ምርጫውን ለእርስዎ ያደርገዋል እና ችግሩን ወደ ስሪት ማስተካከል ይለውጠዋል: አሁን ያለው LeRobot N1.5ን አይቀበልም፣ ስለዚህ እርስዎ lerobot==0.5.1. ምንም የዘር መስክ እና ከ5 እስከ 6 በመቶ ልዩነት ሳይኖር በሩጫዎች መካከል፣ ማባዛቱ በመዋቅር ግምታዊ ነው። እና የመድረክ ጎን አላቸው።

ወደ ሁለት ቀንሷል? ACT ከGR00T N1.7 ጋር እና GR00T N1.7 ከSmolVLA ጋር። ጥሬ ረድፎች በአሬና ግቤቶች ውስጥ ይገኛሉ፦ GR00T N1.7, Pi0.5, SmolVLA እና ACT.

ይህ መድረክ የማይረዳዎት ቦታ

• የርቀት ኢንፈረንስን ፈጣን ማድረግ አይችልም። ከ20 እስከ 485 ms ያለው ዑደት የሞዴሉ ሲሆን፤ የኢንተርኔት የጉዞ ጊዜ ደግሞ ይጨምርበታል።
• GR00T ወይም Pi0.5ን በራስዎ ሃርድዌር ላይ ማስተካከል አይችልም። ሁለቱም እዚህ ላይ የደመና-ብቻ ናቸው፤ SmolVLA እና ACT ብቻ በአካባቢው ይሰራሉ።
• ዳታሴትን ማስተካከል አይችልም። ኪሳራው እየቀነሰ ፖሊሲው ምንም አያደርግም የዳታ ችግር ነው፣ በአንድ ቅንብር ውስጥ ብቻ የሚሰራ ፖሊሲ ደግሞ የሽፋን ችግር ነው።
• የGR00T ስራዎችን እንደገና ሊባዙ የሚችሉ ማድረግ አይችልም፦ የላይኛው ኮንፊግ የዘር መስክ የለውም።

አንዱን መርጦ መቀጠል

አንድ ነባሪ: 50 ክፍሎችን ይመዝግቡ፣ የውሂብ ስብስቡን ለማረጋገጥ ACTን ከ1 እስከ 3 USD ያህል ያሰልጥኑ፣ ከዚያም SmolVLAን በተመሳሳይ ውሂብ ላይ ያሰለጥኑ። በአጠቃላይ ከ6 USD በታች፣ እና አስፈላጊውን ጥያቄ ይመልሳሉ: ቅድመ-ስልጠና እዚህ ይረዳል ወይስ የአንገት ማነቆው ውሂቡ ነው? ለግንኙነት የበለጸጉ ባለብዙ-ደረጃ ተግባራት ወደ GR00T N1.7፣ ትዕይንቱ ሲቀየር ደግሞ ወደ Pi0.5 ያሳድጉ።

የመድረክ አጠቃላይ እይታ: የመጀመሪያውን ፖሊሲዎን ያሰልጥኑ, ከዚያም የመጀመሪያውን ፖሊሲዎን ያሂዱ። የስልጠና ሰነዶች እና የውሂብ ስብስብ ሰነዶች ቅጽ እና ቅርጸትን ይሸፍናሉ፤ የ SO-100 ገጽ እና የ SO-100 ሙሉ መመሪያ ግንባታን እና ልኬትን ይሸፍናሉ። ዳራ: የ VLA አጠቃላይ እይታ እና የ Pi0 ፍሰት-ማዛመጃ ጽሑፍ። የስኬት መጠንዎን የሚያሳድገው የውሂብ ጥራት መመሪያ ነው።