VLA প্রশিক্ষণের খরচ: একটি ফাইন-টিউনিং রান-এর আসল খরচ কত

বিলের চারটি লাইন আছে, এবং GPU হল সবচেয়ে ছোটটি

যখন লোকেরা জিজ্ঞাসা করে যে একটি ভিশন-ল্যাঙ্গুয়েজ-অ্যাকশন মডেল SO-100 এর জন্য ফাইন-টিউন করতে কত খরচ হয়, তারা প্রায় সবসময় GPU ভাড়া বোঝায়। এটি সেই সংখ্যা যা একটি কার্ডে চার্জ হিসাবে প্রদর্শিত হয়, তাই এটিই বাস্তব মনে হয়। এটি চারটি সংখ্যার মধ্যে সবচেয়ে ছোট, যা একটি কার্যকরী পলিসি আসলে আপনার কত খরচ হয় তা নির্ধারণ করে।

নিচের প্রশিক্ষণের সময়গুলি পাঁচটি মডেলের নিজস্ব কাগজপত্র এবং সংগ্রহস্থল থেকে নেওয়া হয়েছে, হার্ডওয়্যারের খরচ প্রকাশিত বিল অফ মেটেরিয়ালস থেকে, প্ল্যাটফর্মের সংখ্যা AY-Robots এর নীতি ক্যাটালগ এবং মূল্য নির্ধারণের পৃষ্ঠা। যেখানে প্ল্যাটফর্ম সাহায্য করে না, এই নিবন্ধটি তা উল্লেখ করে।

স্পট মার্কেটে একটি GPU ঘন্টার প্রকৃত খরচ কত

একটি A100 ঘন্টার জন্য কোনো একক মূল্য নেই। vast.ai-এর মতো একটি মার্কেটপ্লেসে প্রতিটি হোস্ট তার নিজস্ব হার নির্ধারণ করে, এবং যে প্রশিক্ষণ রান আপনি চালু করেন তা সেই মুহূর্তে সস্তা এবং বিনামূল্যে থাকা যেকোনো মেশিনে চলে যায়। সৎ উত্তর হল একটি বিতরণ। এখানে এটি, 2026 সালের 23শে আগস্ট 13:44 UTC-এ পরিমাপ করা হয়েছে: একক পূর্ণ কার্ড, চাহিদা অনুযায়ী, প্রকৃত VRAM দ্বারা ফিল্টার করা হয়েছে।

# 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

কেন 3B মডেলগুলি সস্তা কার্ড ব্যবহার করতে পারে না

উপরের মধ্যমাগুলিতে একটি 4090 ঘন্টা এবং একটি H100 80 GB ঘন্টার মধ্যে প্রায় ছয় গুণ পার্থক্য রয়েছে। যা আপনাকে ব্যয়বহুল কার্ডে যেতে বাধ্য করে তা গতি নয়, এটি মেমরি। openpi একটি সম্পূর্ণ Pi0.5 এর জন্য সর্বনিম্ন সীমা নির্ধারণ করে ফাইন-টিউন 70 GB এ, এবং NVIDIA GR00T এর জন্য 40 GB বা তার বেশি সুপারিশ করে। লক্ষ্য করুন GR00T সংখ্যাটি কী নয়। এর ফাইন-টিউন কনফিগারেশন ডিফল্টরূপে ভাষা মডেল এবং ভিজ্যুয়াল এনকোডারকে ফ্রিজ করে (tune_llm এবং tune_visual False, প্রোজেক্টর এবং ডিফিউশন হেড True), এই কারণেই ক্যাটালগে 3 B এর মধ্যে প্রায় 40 M প্রশিক্ষিত প্যারামিটার তালিকাভুক্ত করা হয়েছে। 40 GB হল 3 B ওজনের জন্য অপ্টিমাইজার স্টেট নয়, এটি হল ফ্রিজ করা ব্যাকবোন এবং অ্যাক্টিভেশন। হ্রাসকৃত-স্কোপ ভেরিয়েন্টগুলি আরও কম হয়: openpi এর LoRA পাথ 22.5 GB চায় এবং 4090 এর নাম উল্লেখ করে, এবং NVIDIA এর Isaac Lab Arena ওয়ার্কফ্লো GR00T পোস্ট-ট্রেনিং এর জন্য একটি 24 GB সিঙ্গেল-GPU বিকল্প তালিকাভুক্ত করে। প্ল্যাটফর্মটি প্রতিটি বিক্রেতা যে কনফিগারেশনের জন্য প্রকাশ করে তার উপর ভিত্তি করে স্তরবিন্যাস করে। pi0 ফ্লো-ম্যাচিং রাইট-আপ ব্যাখ্যা করে যে ফ্লো-ম্যাচিং ফুটপ্রিন্ট কোথা থেকে আসে।

এই সারণীটি হল কেন প্ল্যাটফর্মটি পাঁচটি মডেলকে দুটি স্তরে বিভক্ত করে। GR00T N1.7, GR00T N1.5 এবং Pi0.5 A100 80 GB বা H100 এ চলে কারণ বিক্রেতারা এটিই চায়। SmolVLA এবং ACT একটি RTX 4090 বা যেকোনো 24 GB কার্ডে চলে কারণ এটি সত্যিই যথেষ্ট।

পাঁচটি মডেলের প্রতিটি আসলে কতক্ষণ চলে

চালানোর সময় খরচের অন্য অর্ধেক: প্রতি ঘন্টায় 2.00 USD অপ্রাসঙ্গিক যদি কাজটি 40 মিনিটের হয় এবং ধ্বংসাত্মক যদি এটি 40 ঘন্টার হয়। AY-Robots প্রশিক্ষকের কাছে এই ডিফল্টগুলিই পাঠায়, প্রতিটি স্তরের জন্য রান উইন্ডো এবং খরচ সহ।

এই রান উইন্ডোগুলি আপস্ট্রিম থেকে কোথায় আসে

• SmolVLA: lerobot ডকুমেন্টেশন অনুযায়ী, একটি A100-এ 20,000 ধাপ সম্পূর্ণ করতে প্রায় 4 ঘন্টা সময় লাগে। প্ল্যাটফর্মটি একই 20,000 ধাপ সস্তা 24 GB টায়ারে চালায়, তাই একটি নির্দিষ্ট 4 ঘন্টার পরিবর্তে একটি উইন্ডো থাকে।
• ACT: মূল ALOHA পেপার অনুযায়ী, একটি 80M-প্যারামিটার মডেলের জন্য একটি 11 GB RTX 2080 Ti-তে প্রায় 5 ঘন্টা সময় লাগে। একটি 4090 বেশ কয়েক প্রজন্ম নতুন হলেও প্ল্যাটফর্মটি 100,000 ধাপের জন্য বাজেট করে, তাই উইন্ডোটি একই জায়গায় থাকে।
• GR00T: N1.6 প্রজন্মের জন্য NVIDIA-এর রেফারেন্স ওয়ার্কফ্লো অনুযায়ী, আটটি L40S কার্ডে ব্যাচ 24-এ 20,000 ধাপের জন্য প্রায় 4 থেকে 8 ঘন্টা এবং একটি Ada 6000-এ ব্যাচ 16-এ 30,000 ধাপের জন্য 2 থেকে 3 ঘন্টা সময় লাগে। কয়েক ঘন্টার মধ্যে একটি 3B VLA-এর সিঙ্গেল-কার্ড ফাইন-টিউনিং স্বাভাবিক, আশাবাদী নয়।
• Pi0.5: openpi কোনো ওয়াল-ক্লক চিত্র প্রকাশ করে না, তবে এটি একটি সম্পূর্ণ ফাইন-টিউনের জন্য 70 GB ফ্লোর প্রকাশ করে, যা কার্ড এবং সেই অনুযায়ী হার নির্ধারণ করে।

আপনি যে সংখ্যার জন্য অর্থ প্রদান করছেন না, সেদিকে একটু বিরতি দিন। GR00T N1 পেপার অনুযায়ী, 2.2B মডেলকে প্রিটেইন করতে প্রায় 50,000 H100 GPU ঘন্টা লাগে, যা 1024টি GPU-এর একটি ক্লাস্টারে, 16,384 এর প্রিটেইনিং ব্যাচ সাইজে 200,000 গ্রেডিয়েন্ট ধাপের জন্য। উপরে পরিমাপ করা প্রতি ঘন্টায় 1.34 থেকে 2.34 USD হারে, এটি 67,000 থেকে 117,000 USD এর ভাড়া করা কম্পিউটের সমতুল্য। SmolVLA পেপার অনুযায়ী, এর প্রকল্পটি 481টি কমিউনিটি ডেটাসেট, 22.9K এপিসোড এবং 10.6M ফ্রেম জুড়ে প্রায় 30,000 GPU ঘন্টা ব্যবহার করে। আপনি ডাউনলোডের মূল্যে এর সবকিছুর উত্তরাধিকারী হন; আপনার 8 USD শেষ 20,000 ধাপ কিনে নেয়। কেন VLA গুলি এভাবে তৈরি করা হয় সেই বিভাজনটি কভার করে।

আর্ম: একটি এককালীন খরচ যা GPU বিলকে ম্লান করে দেয়

একটি প্রশিক্ষণ রান দুপুরের খাবারের চেয়ে কম ব্যয়বহুল। রোবটটি তা নয়। এই কারণেই SO-100 গুরুত্বপূর্ণ: এটিই সবচেয়ে সস্তা বাহু যা সম্পূর্ণ ইমিটেশন লার্নিং টুলচেইন আসলে সমর্থন করে।

SO-ARM100 রিপোজিটরিতে আপস্ট্রিম বিল অফ মেটেরিয়ালস আরও বিস্তারিত এবং আপনার অঞ্চলের সাথে মিলিয়ে দেখা উচিত: এর দুটি বাহুর জন্য যন্ত্রাংশ তালিকাটি একটি লিডার প্লাস ফলোয়ার সেটআপের জন্য মোট 229.88 USD বা 226.30 EUR, এবং এর একটি ফলোয়ার বাহুর জন্য যন্ত্রাংশ তালিকাটি মোট 121.94 USD বা 124.30 EUR। প্রতিটি 13.89 USD মূল্যের ছয়টি STS3215 সার্ভো সেই 121.94 এর মধ্যে 83.34, তাই সার্ভোগুলিই হল বাহু। প্রতি SmolVLA বা ACT রানে 1 থেকে 3 USD খরচ হলে, একজোড়া বাহু 77 থেকে 230টি প্রশিক্ষণ রানের সমান। আপনি যদি এখনও নির্বাচন করেন, SO-100 বনাম SO-101 হল সেই তুলনা যা গুরুত্বপূর্ণ, কারণ দুটি এত কাছাকাছি যে সিদ্ধান্তটি সক্ষমতার চেয়ে প্রাপ্যতার উপর নির্ভর করে।

মানুষের কাজের সময়: যে লাইনটি কেউ স্প্রেডশীটে রাখে না

এই সংখ্যাটি খরচের আলোচনাকে সম্পূর্ণ পাল্টে দেয়। ডেমোনস্ট্রেশন রেকর্ড করা মানে একজন ব্যক্তি একটি রোবট আর্মকে রিয়েল টাইমে, একবারে একটি করে এপিসোড ধরে সরানো। এটিকে ব্যাচ করা যায় না এবং সেকেন্ডের হিসাবে ভাড়া নেওয়া যায় না। দ্য LeRobot ডেটাসেট রেকর্ডার ডিফল্ট সেটিংস সহ আসে যা হিসাব সহজ করে তোলে, তিনটিই নিশ্চিত করা হয়েছে DatasetRecordConfig: প্রতি 60 সেকেন্ড এপিসোড, দৃশ্য রিসেট করতে 60 সেকেন্ড, 50টি এপিসোড। নীচের টাকার কলামে একজন ব্যক্তির এক ঘন্টার কাজের জন্য 15 USD ধরা হয়েছে, যা একটি অনুমান মাত্র, কোনো প্ল্যাটফর্মের সংখ্যা নয়। আপনার নিজের হার প্রতিস্থাপন করুন; অনুপাতটিই মূল বিষয়।

1. 1
   আপনি যে ডিফল্টগুলির জন্য বিল পাবেন, সেগুলির সাথে ডেটাসেট রেকর্ড করুন

   এটি lerobot 0.6.1, 3 আগস্ট 2026 তারিখের PyPI-এর সংস্করণ। CLI আকারটি লক্ষ্য করুন: রেকর্ডিং lerobot-record কনসোল এন্ট্রি পয়েন্টের (lerobot.scripts.lerobot_record) মাধ্যমে চলে, পুরনো python -m lerobot.scripts.record মডিউল পাথের মাধ্যমে নয়। AY-Robots 0.5.1 সংস্করণকে লক্ষ্য করে, এবং 0.5.1 হুইল একই lerobot-record এবং lerobot-train এন্ট্রি পয়েন্ট ঘোষণা করে, তাই নীচের আকার উভয় ক্ষেত্রেই স্থিতিশীল। তিনটি টাইমিং ফ্ল্যাগ আপস্ট্রিম ডিফল্ট, তাই এটি সেই কমান্ডও যা পরবর্তী টেবিলের হিসাব ধরে নেয়।

   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
   একটিও GPU মিনিট ভাড়া নেওয়ার আগে আপনি যা রেকর্ড করেছেন তা দেখুন

   একটি ডেটাসেট পরিদর্শন করতে প্রতি ঘন্টায় শূন্য USD খরচ হয়। একটি লস কার্ভ থেকে একই সমস্যা আবিষ্কার করতে H100 টায়ারে প্রতি ঘন্টায় 2.00 USD খরচ হয় এবং চার ঘন্টা দেরিতে আপনাকে জানায়। ডেটাসেটটি পুশ করুন এবং LeRobot ভিউয়ারে এটি স্ক্রাব করুন, অথবা AY-Robots ডেটাসেট ডিরেক্টরি ব্রাউজ করুন।

   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
   প্রশিক্ষণ দিন, এবং নিশ্চিত করুন যে চেকপয়েন্টটি পডের চেয়ে বেশি সময় ধরে টিকে থাকে

   একটি ভাড়া করা মেশিন সংজ্ঞানুসারে অস্থায়ী, তাই রান চলাকালীন চেকপয়েন্টগুলি কোথাও স্থায়ীভাবে লিখুন। দুটি ফ্ল্যাগ সিদ্ধান্ত নেয় যে আপনি যা দিয়েছেন তা রাখবেন কিনা। --save_freq ডিফল্টরূপে 20,000 স্টেপস, তাই একটি ডিফল্ট 20,000-স্টেপ SmolVLA রান তার প্রথম চেকপয়েন্টটি লেখে যখন রানটি ইতিমধ্যেই শেষ হয়ে যায়; কোনো কিছু ভাড়া নেওয়ার আগে এটি কমিয়ে দিন যা বাধাগ্রস্ত হতে পারে। --save_checkpoint_to_hub এর জন্য --policy.repo_id প্রয়োজন এবং lerobot 0.5.1-এ এটি বিদ্যমান নেই, তাই সেই সংস্করণে আপনাকে নিজেই মেশিন থেকে আউটপুট ডিরেক্টরি কপি করতে হবে। নীচের ব্যাচ সাইজটি আপস্ট্রিম ডকের উদাহরণ; AY-Robots ফর্ম SmolVLA-এর জন্য 2 পাঠায় এবং চেকপয়েন্টগুলি উপস্থিত হওয়ার সাথে সাথে অবজেক্ট স্টোরেজে লেখে।

   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

ডানদিকের কলামটি 1 থেকে 12 USD রান খরচের সাথে তুলনা করুন। এই অনুমিত হারে, একটি 50-এপিসোডের ডেটাসেট রেকর্ড করতে প্রশিক্ষণ খরচের চেয়ে দুই থেকে সাত গুণ বেশি খরচ হয়, ক্রমাঙ্কন, ক্যামেরা সেটআপ এবং বাদ দেওয়া এপিসোডগুলি বাদ দিয়ে। এই কারণেই এর একটি সরাসরি আর্থিক মূল্য আছে। LeRobot গাইড প্রতি অবজেক্ট অবস্থানে 10টি করে কমপক্ষে 50টি এপিসোডের পরামর্শ দেয়; SmolVLA ডকুমেন্টেশন রিপোর্ট করে যে একই কাজের 25-এপিসোডের সংস্করণ যথেষ্ট ছিল না।

কোথায় আসলে টাকা নষ্ট হয়

1. এমন ডেটার উপর রান যা কখনোই কাজ করবে না

দুটি অদলবদল করা ক্যামেরা স্ট্রিম সহ একটি ডেটাসেটে 20,000-স্টেপের GR00T রান একটি পরিষ্কার ডেটাসেটের মতো একই খরচ হয়, একই সময় নেয় এবং একটি লস কার্ভ তৈরি করে যা দেখতে ঠিক আছে। ব্যর্থতা কয়েক ঘন্টা পরে রোবটের বাহুতে দেখা যায়। ঘণ্টার হিসাবে বিল করা হয় এবং রোগ নির্ণয় দিনের হিসাবে বিল করা হয়। দুটি লক্ষণ মনে রাখা দরকার: সাধারণত এর অর্থ হল পর্যবেক্ষণগুলি কাজের জন্য প্রয়োজনীয় তথ্য বহন করে না, এবং এর অর্থ হল ডেটাসেটে আপনার ধারণার চেয়ে কম বৈচিত্র্য ছিল।

2. একটি স্থির-ক্যামেরা কাজের জন্য ফাউন্ডেশন-মডেলের মূল্যে অর্থ প্রদান

ACT প্রায় 80M প্যারামিটার এবং এটি একটি কাজের 50টি প্রদর্শনী থেকে স্ক্র্যাচ থেকে প্রশিক্ষণের জন্য ডিজাইন করা হয়েছিল। GR00T N1.7 একটি প্রাক-প্রশিক্ষিত ব্যাকবোন সহ প্রায় 3B। একটি বোল্ট-ডাউন ক্যামেরা, একটি স্থির টেবিল এবং একটি বস্তুর জন্য, 80M মডেলটি প্রায়শই কাজ করে, 152 ms এর পরিবর্তে প্রতি অ্যাকশন ধাপে প্রায় 20 ms এ চলে এবং 4 থেকে 12 এর পরিবর্তে প্রতি রানে 1 থেকে 3 USD খরচ হয়। দামি মডেলটিতে 12 USD খরচ করার আগে সস্তা মডেলটি কাজ করে কিনা তা জানতে 3 USD খরচ করুন। ACT বনাম SmolVLA এবং GR00T N1.7 বনাম Pi0.5 দেখায় যে কোনটি সঠিক উত্তর হওয়া বন্ধ করে; মডেল এরিনাএ 85টি মডেল এবং 332টি বেঞ্চমার্ক ফলাফল রয়েছে।

3. যে GPUটির কথা আপনি ভুলে গেছেন

প্রতিরোধ করার জন্য সবচেয়ে সস্তা ভুল এবং করার জন্য সবচেয়ে সাধারণ ভুল। শুক্রবার ডিবাগ করার জন্য শুরু করা একটি ইনস্ট্যান্স সপ্তাহান্তে একটি বাস্তব রানের মতোই বিল হয়।

AY-Robots-এ এই ব্যর্থতা ইনফারেন্সের জন্য ডিজাইন করা হয়েছে: ইনফারেন্স API দ্বারা সরবরাহকৃত পডগুলি একটি নিষ্ক্রিয় ওয়াচডগ বহন করে এবং একটি নিষ্ক্রিয় সময়ের পরে নিজেদের ধ্বংস করে। আপনি যদি কার্ডটি নিজে ভাড়া করেন, তবে সেই ওয়াচডগটি আপনার ক্যালেন্ডার রিমাইন্ডার।

4. একই উত্তরের জন্য দুবার অর্থ প্রদান

GR00T-এর ফাইন-টিউনিং এন্ট্রি পয়েন্ট হল একটি টাইরো CLI যা কোনো সিড প্রকাশ করে না। এটি কোনো প্ল্যাটফর্মের সীমাবদ্ধতা নয়, এটি আপস্ট্রিম টুল: gr00t/configs/finetune_config.py-এ কোনো সিড ফিল্ড নেই, এবং রিপোজিটরির নিজস্ব প্রশিক্ষণ টিপস সতর্ক করে যে রানগুলি 5 থেকে 6 শতাংশ পরিবর্তিত হয় কারণ ইমেজ অগমেন্টেশনগুলি নন-ডিটারমিনিস্টিক। lerobot 0.5.1 এবং 0.6.1 উভয় ক্ষেত্রেই সিড 1000 ডিফল্ট করে, তাই ACT, SmolVLA এবং Pi0.5 রানগুলি অন্তত একই ইনিশিয়ালাইজেশন এবং ডেটা অর্ডার থেকে পুনরায় চালানো যেতে পারে। এটি একটি GPU-তে বিট-আইডেন্টিক্যাল ওয়েটের প্রতিশ্রুতি নয়, তবে এটি একটি পুনরায় চালানো এবং একটি নতুন পরীক্ষার মধ্যে পার্থক্য। যদি একটি GR00T রান একটি কার্যকরী নীতি তৈরি করে এবং আপনি চেকপয়েন্ট ধরে না রাখেন, তবে আপনি এমন একটি ফলাফলের জন্য পুরো মূল্য পরিশোধ করবেন যা আপনি যে পার্থক্যটি খুঁজছিলেন তার চেয়ে বেশি ভিন্ন হতে পারে। আপনি যে চেকপয়েন্টের জন্য অর্থ প্রদান করেছেন তা হারানোর দ্বিতীয় উপায় হল: CLI ডিফল্টরূপে --save-total-limit 5 ব্যবহার করে, যা পুরানো চেকপয়েন্টগুলি মুছে ফেলার আগে রাখা চেকপয়েন্টের সর্বোচ্চ সংখ্যা হিসাবে নথিভুক্ত। স্টোরেজ কয়েক সেন্টের ব্যাপার; একটি পুনরায় চালানো 4 থেকে 12 USD এবং ছয় ঘণ্টা।

নিজে করা বনাম প্ল্যাটফর্মকে কার্ড ভাড়া দিতে দেওয়া

# 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>

প্ল্যাটফর্ম কী চার্জ করে এবং কীভাবে এটি কার্ড নির্বাচন করে

লজিকটি ইচ্ছাকৃতভাবে সরল। প্রতিটি মডেল ক্যাটালগ-এ একটি GPU স্তর ঘোষণা করে; ব্যাকএন্ড প্রয়োজনীয় VRAM নেয় এবং উপরে উল্লিখিত একই স্পট মার্কেটে একটি উপযুক্ত কার্ড ভাড়া করে। এই কারণেই উদ্ধৃত খরচ একটি পরিসীমা, একটি নির্দিষ্ট মূল্য নয়। GR00T এবং Pi0.5 এখানে শুধুমাত্র ক্লাউড-ভিত্তিক কারণ তাদের 40 GB এবং 70 GB ফ্লোর রয়েছে। SmolVLA এবং ACT আপনার নিজস্ব 24 GB কার্ডেও স্থানীয়ভাবে চলে, যেখানে ক্লাউড খরচ শূন্য এবং বিদ্যুৎ আপনার সমস্যা।

একটি বিষয় সতর্কতার দাবি রাখে। গ্রেডিয়েন্ট অ্যাকুমুলেশন GR00T-এর উভয় ভেরিয়েন্টের জন্য প্রযোজ্য, তাই এটি বাড়ালে একই কার্ডে একটি বড় কার্যকর ব্যাচ পাওয়া যায়। Pi0.5 এবং SmolVLA-এর জন্য এটি একেবারেই প্রযোজ্য নয়: lerobot 0.5.1-এর প্রশিক্ষণ কনফিগে কোনো গ্রেডিয়েন্ট-অ্যাকুমুলেশন বিকল্প নেই, তাই ক্ষেত্রটিকে 16-এ সেট করলে কোনো খরচ হয় না এবং কোনো লাভও হয় না। যদি একটি সারিবদ্ধ কাজ কখনও শুরু না হয়, সারিতে আটকে থাকা কাজের পৃষ্ঠা কী পরীক্ষা করতে হবে তা কভার করে; যদি রান শুরু হওয়ার আগে ডেটাসেট প্রত্যাখ্যান করা হয়, তবে এটি প্রায় সবসময়ই v3.0 ফরম্যাটের সমস্যা।

প্রথম কার্যকরী পলিসির জন্য একটি বিস্তারিত বাজেট

সব চারটি লাইন একসাথে, শূন্য থেকে শুরু করে। GPU মোট 3 থেকে 5টি রান ধরে নেয়: প্রথমটি প্রমাণ করে যে পাইপলাইন কাজ করে, দ্বিতীয়টি একটি ডেটা সমস্যা প্রকাশ করে, তৃতীয় বা চতুর্থটি হল যেটি আপনি রাখেন।

এই আকারের রোবটের ক্ষেত্রেও এই প্যাটার্নটি প্রযোজ্য: কম্পিউট একটি রাউন্ডিং এরর, হার্ডওয়্যার একটি বাস্তব এককালীন খরচ, এবং মানুষের শ্রম হল পুনরাবৃত্তিমূলক ব্যয়। কিছু কেনার আগে প্রশিক্ষণের অংশটি পরীক্ষা করতে, আপনাকে মডেল তুলনা করতে এবং একটি আর্ম ছাড়াই একটি GPU ভাড়া নিতে দেয়, এবং হল একটি ফিজিক্যাল SO-100 যা আপনি ব্রাউজারে কোনো সাইনআপ ছাড়াই চালাতে পারবেন। সম্পূর্ণ পাইপলাইন এন্ড-টু-এন্ডের জন্য, সেটআপ, এবং প্রশিক্ষণ কভার করে, এবং হল সংক্ষিপ্ত সংস্করণ।