تكلفة تدريب VLA: التكلفة الحقيقية لتشغيل الضبط الدقيق

الفاتورة تتكون من أربعة بنود، ووحدة معالجة الرسوميات هي الأصغر

عندما يسأل الناس عن تكلفة الضبط الدقيق لـ نموذج الرؤية واللغة والحركة لـ SO-100، فإنهم يقصدون دائمًا تقريبًا استئجار وحدة معالجة الرسوميات (GPU). هذا هو الرقم الذي يظهر كرسوم على البطاقة، لذا فهو الذي يبدو حقيقيًا. وهو أيضًا، بفارق كبير، الأصغر من بين الأرقام الأربعة التي تحدد التكلفة الفعلية لـ سياسة عاملة.

أوقات التدريب أدناه مستمدة من أوراق ومستودعات النماذج الخمسة نفسها، وتكلفة الأجهزة من قائمة المواد المنشورة، وأرقام المنصات من AY-Robots كتالوج السياسات وصفحة الأسعار. وحيث لا تساعد المنصة، تشير هذه المقالة إلى ذلك.

ما هي التكلفة الفعلية لساعة وحدة معالجة الرسوميات (GPU) في السوق الفوري

لا يوجد سعر واحد لساعة A100. في سوق مثل vast.ai، يحدد كل مضيف سعره الخاص، وتشغيل التدريب الذي تطلقه يهبط على أي جهاز رخيص ومتاح في تلك اللحظة. الإجابة الصادقة هي توزيع. إليك القياس، في 23 أغسطس 2026 الساعة 13:44 بالتوقيت العالمي المنسق: بطاقات كاملة فردية، عند الطلب، مصفاة حسب ذاكرة الفيديو الفعلية (VRAM).

# Live, full-card, single-GPU, on-demand offers from the vast.ai public bundle API.
# No account and no API key needed. gpu_ram is in MB, so an 80 GB card is >= 80000.
python3 - <<'PY'
import json, statistics, urllib.parse, urllib.request

def offers(name, min_ram):
    q = {"rentable": {"eq": True}, "num_gpus": {"eq": 1}, "gpu_name": {"eq": name},
         "order": [["dph_total", "asc"]], "limit": 500, "type": "on-demand"}
    url = "https://console.vast.ai/api/v0/bundles/?q=" + urllib.parse.quote(json.dumps(q))
    with urllib.request.urlopen(url, timeout=60) as r:
        return [o for o in json.load(r)["offers"]
                if o["gpu_frac"] == 1.0 and o["gpu_ram"] >= min_ram]

groups = {
    "RTX 4090 24 GB": (["RTX 4090"], 24000),
    "RTX 5090 32 GB": (["RTX 5090"], 30000),
    "A100 80 GB":     (["A100 PCIE", "A100 SXM4"], 80000),
    "H100 80 GB":     (["H100 SXM", "H100 PCIE"], 80000),
    "H100 NVL 94 GB": (["H100 NVL"], 90000),
}
for label, (names, min_ram) in groups.items():
    o = [x for n in names for x in offers(n, min_ram)]
    if not o:
        print(label, "no offers"); continue
    p = sorted(x["dph_total"] for x in o)
    b = sorted(x["min_bid"] for x in o if x.get("min_bid"))
    bid = f"{b[0]:.2f}" if b else "n/a"
    print(f'{label}: n={len(p)} | {p[0]:.2f} / {statistics.median(p):.2f} / {p[-1]:.2f}'
          f' USD/h | bid floor {bid}')
PY

لماذا لا تستطيع نماذج 3B استخدام البطاقة الرخيصة

تختلف ساعة 4090 وساعة H100 80 جيجابايت بحوالي ستة أضعاف عند القيم الوسيطة المذكورة أعلاه. ما يدفعك لاستخدام البطاقة باهظة الثمن ليس السرعة، بل الذاكرة. يحدد openpi الحد الأدنى لـ Pi0.5 كامل الضبط الدقيق عند 70 جيجابايت، وتوصي NVIDIA بـ 40 جيجابايت أو أكثر لـ GR00T. لاحظ ما لا يمثله رقم GR00T. يقوم إعداد الضبط الدقيق الخاص به بتجميد نموذج اللغة والمشفر البصري افتراضيًا (tune_llm و tune_visual هي False، بينما يكون جهاز العرض ورأس الانتشار True)، وهذا هو السبب في أن الكتالوج يسرد حوالي 40 مليون معلمة مدربة من أصل 3 مليار. الـ 40 جيجابايت ليست حالة مُحسِّن لأوزان 3 مليار، بل هي العمود الفقري المجمد بالإضافة إلى التنشيطات. تنخفض المتغيرات ذات النطاق المحدود إلى مستويات أقل: يتطلب مسار LoRA الخاص بـ openpi 22.5 جيجابايت ويذكر 4090، ويسرد سير عمل Isaac Lab Arena من NVIDIA خيار GPU واحد بسعة 24 جيجابايت لـ GR00T بعد التدريب. تعتمد مستويات المنصة على الحد الأدنى الذي ينشره كل بائع للتكوين الذي يقوم بتشغيله فعليًا. المقال التفصيلي حول مطابقة التدفق لـ pi0 يشرح من أين تأتي بصمة مطابقة التدفق هذه.

هذا الجدول هو السبب في أن المنصة تقسم النماذج الخمسة إلى مستويين. GR00T N1.7، GR00T N1.5 و Pi0.5 تعمل على A100 80 جيجابايت أو H100 لأن هذا ما يطلبه البائعون. SmolVLA و ACT تعمل على RTX 4090 أو أي بطاقة بسعة 24 جيجابايت لأن ذلك كافٍ بالفعل.

المدة الفعلية لتشغيل كل نموذج من النماذج الخمسة

وقت التشغيل هو النصف الآخر من التكلفة: 2.00 دولار أمريكي في الساعة لا يهم إذا كانت المهمة تستغرق 40 دقيقة، ويكون مدمراً إذا استغرقت 40 ساعة. هذه هي الإعدادات الافتراضية التي ترسلها AY-Robots بالفعل إلى المدرب، مع نافذة التشغيل والتكلفة لكل مستوى.

من أين تأتي فترات التشغيل هذه من المصدر الأعلى

• SmolVLA: تذكر وثائق lerobot أن 20,000 خطوة تستغرق حوالي 4 ساعات على بطاقة A100 واحدة. تقوم المنصة بتشغيل نفس الـ 20,000 خطوة على الفئة الأقل تكلفة بسعة 24 GB، وبالتالي تكون هناك فترة زمنية متغيرة بدلاً من 4 ساعات ثابتة.
• ACT: تفيد ورقة ALOHA الأصلية بحوالي 5 ساعات على بطاقة 11 GB RTX 2080 Ti واحدة لنموذج بـ 80M-parameter. بطاقة 4090 أحدث بعدة أجيال، لكن المنصة تخصص ميزانية لـ 100,000 خطوة، لذا تقع الفترة الزمنية المتغيرة في نفس النطاق.
• GR00T: يُشير سير عمل NVIDIA المرجعي لجيل N1.6 إلى حوالي 4 إلى 8 ساعات لـ 20,000 خطوة بحجم دفعة 24 على ثماني بطاقات L40S، ومن 2 إلى 3 ساعات لـ 30,000 خطوة بحجم دفعة 16 على بطاقة Ada 6000 واحدة. الضبط الدقيق لنموذج 3B VLA على بطاقة واحدة في غضون ساعات قليلة أمر طبيعي، وليس تفاؤليًا.
• Pi0.5: لا تنشر openpi أي رقم زمني فعلي، لكنها تنشر الحد الأدنى 70 GB للضبط الدقيق الكامل، مما يحدد البطاقة وبالتالي المعدل.

يجدر التوقف عند الرقم الذي لا تدفعه. تفيد ورقة GR00T N1 بحوالي 50,000 H100 GPU hours لتدريب نموذج 2.2B مسبقًا، على مجموعة تصل إلى 1024 GPUs، بحجم دفعة تدريب مسبق يبلغ 16,384 لـ 200,000 gradient steps. بالسعر المقاس أعلاه من 1.34 إلى 2.34 USD per hour، يكون ذلك في حدود 67,000 إلى 117,000 USD من الحوسبة المستأجرة. تضع ورقة SmolVLA مشروعها عند حوالي 30,000 GPU hours عبر 481 community datasets، و 22.9K episodes و 10.6M frames. أنت ترث كل ذلك بسعر التنزيل؛ 8 USD تشتري لك آخر 20,000 steps. لماذا تُبنى نماذج VLA بهذه الطريقة يغطي هذا التقسيم.

الذراع: تكلفة لمرة واحدة تتضاءل أمام فاتورة وحدة معالجة الرسوميات

تكلفة تشغيل التدريب أقل من وجبة الغداء. الروبوت ليس كذلك. لهذا السبب فإن SO-100 مهم: إنه أرخص ذراع تدعمه سلسلة أدوات التعلم بالمحاكاة بأكملها بالفعل.

قائمة المواد الأولية في مستودع SO-ARM100 أكثر تفصيلاً وتستحق المراجعة حسب منطقتك: قائمة أجزاء لذراعين يبلغ إجماليها 229.88 دولارًا أمريكيًا أو 226.30 يورو لإعداد قائد وتابع، وقائمة أجزاء لذراع تابع واحد يبلغ إجماليها 121.94 دولارًا أمريكيًا أو 124.30 يورو. ستة محركات STS3215 مؤازرة بسعر 13.89 دولارًا أمريكيًا لكل منها تشكل 83.34 من هذا المبلغ البالغ 121.94، لذا فإن المحركات المؤازرة هي الذراع. بتكلفة تتراوح من 1 إلى 3 دولارات أمريكية لكل تشغيل SmolVLA أو ACT، فإن زوجًا واحدًا من الأذرع يساوي ما بين 77 و 230 تشغيل تدريب. إذا كنت لا تزال تختار، فإن SO-100 مقابل SO-101 هي المقارنة المهمة، لأن الاثنين متشابهان بما يكفي ليكون القرار متعلقًا بالتوافر وليس بالقدرة.

ساعات العمل البشري: البند الذي لا يضعه أحد في جدول البيانات

هذا هو الرقم الذي يقلب نقاش التكلفة رأسًا على عقب. تسجيل العروض التوضيحية يعني أن شخصًا ما يحرك ذراع روبوت، حلقة واحدة في كل مرة، في الوقت الفعلي. لا يمكن معالجتها دفعة واحدة ولا تأجيرها بالثانية. مسجل مجموعة بيانات LeRobot يأتي بإعدادات افتراضية تجعل الحسابات سهلة، وقد تم تأكيد الثلاثة جميعًا في DatasetRecordConfig: 60 ثانية لكل حلقة، 60 ثانية لإعادة ضبط المشهد، 50 حلقة. يفترض عمود المال أدناه 15 دولارًا أمريكيًا لساعة عمل شخص ما، وهو افتراض وليس رقم منصة. استبدل سعرك الخاص؛ النسبة هي الأهم.

1. 1
   سجل مجموعة البيانات بالإعدادات الافتراضية التي ستُحاسب عليها فعليًا

   هذا هو lerobot 0.6.1، الإصدار الموجود على PyPI اعتبارًا من 3 أغسطس 2026. لاحظ شكل واجهة سطر الأوامر (CLI): يتم تشغيل التسجيل عبر نقطة إدخال وحدة التحكم lerobot-record (lerobot.scripts.lerobot_record)، وليس مسار الوحدة النمطية القديم python -m lerobot.scripts.record. تستهدف AY-Robots الإصدار 0.5.1، ويعلن إصدار 0.5.1 عن نفس نقاط الإدخال lerobot-record و lerobot-train، لذا فإن الشكل أدناه مستقر عبر كليهما. علامات التوقيت الثلاث هي الإعدادات الافتراضية الأصلية، لذا فهذا هو أيضًا الأمر الذي تفترضه الحسابات في الجدول التالي.

   bash

   lerobot-record \
       --robot.type=so100_follower \
       --robot.port=/dev/ttyACM0 \
       --robot.id=my_follower_arm \
       --robot.cameras="{ front: {type: opencv, index_or_path: 0, width: 640, height: 480, fps: 30} }" \
       --teleop.type=so100_leader \
       --teleop.port=/dev/ttyACM1 \
       --teleop.id=my_leader_arm \
       --dataset.repo_id=${HF_USER}/pick-place-cube \
       --dataset.num_episodes=50 \
       --dataset.episode_time_s=60 \
       --dataset.reset_time_s=60 \
       --dataset.single_task="Grab the black cube and put it in the bin"

2. 2
   انظر إلى ما سجلته قبل أن تستأجر دقيقة واحدة من وحدة معالجة الرسوميات

   فحص مجموعة البيانات لا يكلف صفر دولار أمريكي في الساعة. اكتشاف نفس المشكلة من منحنى الخسارة يكلف 2.00 دولار أمريكي في الساعة على مستوى H100 ويخبرك بعد أربع ساعات. ادفع مجموعة البيانات وراجعها في عارض LeRobot، أو تصفح دليل مجموعات البيانات الخاص بـ AY-Robots.

   bash

   # the recorder pushes to the Hub by default; disable with --dataset.push_to_hub=False
   echo https://huggingface.co/datasets/${HF_USER}/pick-place-cube
   
   # then open https://huggingface.co/spaces/lerobot/visualize_dataset
   # and scrub through episodes: are both camera streams alive on every episode?
   # is the gripper actually closing? does the arm sit at a joint limit?

3. 3
   تدرب، وتأكد من أن نقطة الحفظ تبقى بعد انتهاء الحاوية

   الآلة المستأجرة مؤقتة بحكم تعريفها، لذا اكتب نقاط الحفظ في مكان دائم أثناء التشغيل. تحدد علامتان ما إذا كنت ستحتفظ بما دفعته. --save_freq الافتراضي هو 20,000 خطوة، لذا فإن تشغيل SmolVLA الافتراضي المكون من 20,000 خطوة يكتب نقطة الحفظ الأولى عندما يكون التشغيل قد انتهى بالفعل؛ قم بتخفيضها قبل استئجار أي شيء قابل للمقاطعة. تتطلب --save_checkpoint_to_hub المعلمة --policy.repo_id ولا توجد في lerobot 0.5.1، لذا في هذا الإصدار، تقوم بنسخ دليل الإخراج من الجهاز بنفسك. حجم الدفعة أدناه هو مثال الوثائق الأصلية؛ يرسل نموذج AY-Robots 2 لـ SmolVLA ويكتب إلى تخزين الكائنات عند ظهور نقاط الحفظ.

   bash

   lerobot-train \
       --policy.path=lerobot/smolvla_base \
       --dataset.repo_id=${HF_USER}/pick-place-cube \
       --batch_size=64 \
       --steps=20000 \
       --save_freq=2000 \
       --output_dir=outputs/train/my_smolvla \
       --job_name=my_smolvla_training \
       --policy.device=cuda \
       --policy.repo_id=${HF_USER}/my_smolvla \
       --save_checkpoint_to_hub=true

قارن العمود الأيمن بتكلفة التشغيل التي تتراوح من 1 إلى 12 دولارًا أمريكيًا. بهذا المعدل المفترض، تكلف مجموعة بيانات مكونة من 50 حلقة ضعف إلى سبعة أضعاف تكلفة تسجيلها مقارنة بتكلفة التدريب عليها، وذلك قبل المعايرة وإعداد الكاميرا والحلقات التي تتخلص منها. لهذا السبب له قيمة مالية مباشرة. يقترح دليل lerobot ما لا يقل عن 50 حلقة بواقع 10 لكل موقع كائن؛ وتفيد وثائق SmolVLA بأن نسخة من نفس المهمة مكونة من 25 حلقة لم تكن كافية.

أين تضيع الأموال بالفعل

1. تشغيل على بيانات لم تكن لتنجح أبدًا

يكلف تشغيل GR00T بخطوات 20,000 على مجموعة بيانات تحتوي على تدفقين للكاميرا متبادلين نفس تكلفة التشغيل على مجموعة بيانات نظيفة، ويستغرق نفس الوقت، وينتج منحنى خسارة يبدو جيدًا. يظهر الفشل على الذراع بعد ساعات. تُحاسب بالساعة ويُحاسب التشخيص بالأيام. هناك عرضان يستحقان الحفظ: عادةً ما يعني أن الملاحظات لا تحمل ما تحتاجه المهمة، و يعني أن مجموعة البيانات كانت تحتوي على تباين أقل مما كنت تعتقد.

2. دفع أسعار النماذج الأساسية لمهمة كاميرا ثابتة

يحتوي ACT على حوالي 80 مليون معلمة وتم تصميمه للتدريب من الصفر على 50 عرضًا توضيحيًا لمهمة واحدة. يحتوي GR00T N1.7 على حوالي 3 مليار معلمة مع بنية أساسية مدربة مسبقًا. بالنسبة لكاميرا مثبتة، وطاولة ثابتة، وكائن واحد، غالبًا ما يحقق النموذج ذو الـ 80 مليون معلمة الهدف، ويعمل بسرعة حوالي 20 مللي ثانية لكل خطوة إجراء بدلاً من 152 مللي ثانية، ويكلف من 1 إلى 3 دولارات أمريكية لكل تشغيل بدلاً من 4 إلى 12 دولارًا. أنفق 3 دولارات أمريكية لمعرفة ما إذا كان النموذج الرخيص يعمل قبل إنفاق 12 دولارًا أمريكيًا على النموذج باهظ الثمن. ACT مقابل SmolVLA و GR00T N1.7 مقابل Pi0.5 توضح متى يتوقف كل منهما عن كونه الإجابة الصحيحة؛ ساحة النماذج تحتوي على 85 نموذجًا و 332 نتيجة معيارية.

3. وحدة معالجة الرسوميات التي نسيتها

أرخص خطأ يمكن تجنبه والأكثر شيوعًا. يتم احتساب تكلفة مثيل بدأ يوم الجمعة لتصحيح خطأ ما طوال عطلة نهاية الأسبوع بنفس سعر التشغيل الفعلي.

في AY-Robots، تم تصميم هذا الفشل بحيث لا يحدث للاستدلال: تحمل الحاويات التي توفرها واجهة برمجة تطبيقات الاستدلال (API) مراقبًا للخمول وتدمر نفسها بعد فترة خمول. إذا استأجرت البطاقة بنفسك، فإن هذا المراقب هو تذكيرك في التقويم.

4. الدفع مرتين مقابل نفس الإجابة

نقطة الدخول للضبط الدقيق في GR00T هي واجهة سطر أوامر (CLI) من نوع tyro لا تكشف عن أي بذرة (seed). هذا ليس قيدًا على المنصة، بل هو أداة المصدر الأصلية: لا يوجد حقل بذرة في gr00t/configs/finetune_config.py، وتحذر نصائح التدريب الخاصة بالمستودع من أن التشغيلات تختلف بنسبة 5 إلى 6 بالمائة لأن تحسينات الصور غير حتمية. يستخدم lerobot البذرة الافتراضية 1000 في كل من الإصدارين 0.5.1 و 0.6.1، لذا يمكن على الأقل إعادة تشغيل ACT و SmolVLA و Pi0.5 من نفس التهيئة وترتيب البيانات. هذا ليس وعدًا بأوزان متطابقة تمامًا على وحدة معالجة الرسوميات (GPU)، ولكنه الفرق بين إعادة التشغيل وتجربة جديدة. إذا أنتج تشغيل GR00T سياسة تعمل ولم تحتفظ بـ نقطة التحقق، فإنك تدفع الثمن كاملاً مقابل نتيجة قد تختلف بأكثر من الفرق الذي كنت تسعى إليه. هناك طريقة ثانية لفقدان نقطة تحقق دفعت ثمنها: واجهة سطر الأوامر (CLI) تستخدم افتراضيًا --save-total-limit 5، والموثق على أنه الحد الأقصى لعدد نقاط التحقق المحفوظة قبل حذف الأقدم منها. التخزين يكلف سنتات؛ وإعادة التشغيل تكلف من 4 إلى 12 دولارًا أمريكيًا وست ساعات.

القيام بذلك بنفسك مقابل السماح للمنصة باستئجار البطاقة

# GR00T N1.7, single GPU, Isaac-GR00T as of August 2026.
# Note the entry point: gr00t/experiment/launch_finetune.py, a tyro CLI.
# scripts/gr00t_finetune.py does not exist in this repository; tutorials that
# still reference it are stale. The per-embodiment walkthrough is
# getting_started/finetune_new_embodiment.md.
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 ./so100-checkpoints \
    --max-steps 20000 \
    --global-batch-size 32 \
    --dataloader-num-workers 4

# v3.0 dataset? Convert it down first or the loader will crash. The helper
# has its own pyproject and must be installed in its own environment:
cd scripts/lerobot_conversion
uv venv && source .venv/bin/activate
uv pip install -e .
python convert_v3_to_v2.py --repo-id <DATASET_REPO_ID>

ما تفرضه المنصة وكيف تختار البطاقة

المنطق ممل عن قصد. كل نموذج في الكتالوج يعلن عن فئة وحدة معالجة رسوميات (GPU)؛ يأخذ الواجهة الخلفية (backend) ذاكرة الفيديو العشوائية (VRAM) المطلوبة ويستأجر بطاقة مطابقة في نفس السوق الفوري المقاس أعلاه. لهذا السبب، التكلفة المقتبسة هي نطاق وليست سعرًا. GR00T و Pi0.5 متاحان هنا فقط على السحابة بسبب الحدود الدنيا البالغة 40 GB و 70 GB. يعمل SmolVLA و ACT أيضًا محليًا على بطاقتك الخاصة بسعة 24 GB، حيث تكون تكلفة السحابة صفرًا والكهرباء هي مشكلتك.

توجد نقطة واحدة تستحق التحذير. تراكم التدرج (Gradient accumulation) ينطبق بالفعل على كلا نوعي GR00T، لذا فإن زيادته تتيح دفعة فعالة أكبر على نفس البطاقة. بالنسبة لـ Pi0.5 و SmolVLA، لا ينطبق على الإطلاق: lerobot 0.5.1 لا يحتوي على خيار تراكم التدرج في إعدادات التدريب الخاصة به، لذا فإن تعيين الحقل إلى 16 لا يكلف شيئًا ولا يشتري شيئًا. إذا لم يبدأ تشغيل مهمة في قائمة الانتظار أبدًا، صفحة المهام العالقة في قائمة الانتظار تغطي ما يجب التحقق منه؛ إذا تم رفض مجموعة البيانات قبل بدء التشغيل، فغالبًا ما يكون السبب مشكلة تنسيق v3.0.

ميزانية مفصلة لسياسة عمل أولية

جميع الخطوط الأربعة معًا، بدءًا من لا شيء. يفترض إجمالي استخدام وحدة معالجة الرسوميات (GPU) من 3 إلى 5 تشغيلات: الأول يثبت أن المسار يعمل، والثاني يكشف عن مشكلة في البيانات، والثالث أو الرابع هو الذي تحتفظ به.

ينطبق هذا النمط على هذا الحجم من الروبوتات: الحوسبة هي خطأ تقريبي، والأجهزة هي تكلفة حقيقية لمرة واحدة، وساعات العمل البشري هي المصاريف المتكررة. لاختبار جزء التدريب قبل شراء أي شيء، تتيح لك مقارنة النماذج واستئجار وحدة معالجة رسوميات (GPU) دون الحاجة إلى ذراع، و هو ذراع SO-100 مادي يمكنك التحكم به في المتصفح دون تسجيل. بالنسبة للخطوات الكاملة من البداية إلى النهاية، فإن يغطي الإعداد، و والتدريب، و هو النسخة المختصرة.