Kako trenirati GR00T N1.7 na vlastitom SO-100 skupu podataka

NVIDIA isporučuje primjer finog podešavanja za tačno ruku koju vjerovatno posjedujete. Unutar Isaac-GR00T repozitorijumu postoji folder pod nazivom demo_data/cube_to_bowl_5: pet epizoda, 4.148 frejmova pri 30 fps, već napisanih kao LeRobot v2.1, sa odgovarajućom konfiguracijom modaliteta pod examples/SO100/. Njegov meta/info.json izvještava robot_type: so101_follower, što je u LeRobotu ista klasa konfiguracije kao so100_follower. To je zaista korisno, jer znači da je referentna putanja za GR00T N1.7 na hobi ruci sa šest stepeni slobode održavaju ljudi koji su napisali model. To nije smanjena humanoidna demonstracija, to je ista ruka.

Loša vijest je udaljenost između I recorded 60 episodes i the arm does the task. Postoji oko šest mjesta gdje ovaj cjevovod tiho, a ne glasno, zataji, a četiri od njih se nalaze u datotekama koje većina ljudi nikada ne otvara: meta/modality.json, Python konfiguracija podataka, meta/relative_stats.json, i vlastiti verzijski string skupa podataka. Ovaj vodič prolazi ručnu rutu od početka do kraja sa stvarnim komandama, a zatim prikazuje isti posao kao obrazac na AY-Robots. Sve dole navedeno je provjereno u odnosu na glavnu granu Isaac-GR00T od 20. avgusta 2026. (linija izdanja n1.7) i lerobot 0.6.1, objavljen na PyPI-u 3. avgusta 2026. Uzvodno se brzo mijenja, i gdje je zastavica preimenovana, ovaj članak to navodi.

Šta je zapravo GR00T N1.7

GR00T N1.7 je model vida, jezika i akcije sa rasporedom dvostrukog sistema opisanim u originalnom GR00T N1 radu: modul vida i jezika koji čita kamere i instrukcije, i difuzioni transformator koji to pretvara u blok kontinuiranih motornih komandi. N1.7 je zamijenio prvu polovinu. Eagle okosnica iz N1.6 je uklonjena, zamijenjena sa nvidia/Cosmos-Reason2-2B na Qwen3-VL arhitekturi, a model je preobučen na otprilike 20.000 sati egocentričnog ljudskog videa povrh robotskih podataka. NVIDIA-in vlastiti izvještaj navodi cifru od 20.854 sata i izvještava da prelazak sa 1k na 20k sati više nego udvostručuje prosječnu stopu izvršenja zadataka.

Druga polovina se takođe promijenila, na načine koji su važni za vaše pokretanje. Glava akcije je smanjena sa 32 difuziona sloja na 16, predviđeni akcioni blok je porastao sa 16 koraka na 40, a maksimalna širina stanja i akcije je porasla sa 29 na 132. Ova tri broja potiču iz changeloga u README-u repozitorijuma; NVIDIA-in vlastiti post o lansiranju i dalje opisuje Sistem 1 kao 32-slojni DiT, tako da tamo gdje se ova dva ne slažu, vjerujte repozitorijumu koji ćete klonirati. Akcije su podrazumijevano izražene u relativnom krajnjem efektoru prostoru, delte od trenutne poze, a ne apsolutne mete, što omogućava prenos manipulativnih predznanja naučenih iz ljudskog videa u kontrolu robota. Sama glava je flow-matching difuzioni transformator, iste porodice kao Pi0.5, ali sa drugačijom okosnicom ispred. Ako ste još uvijek na prethodnoj generaciji, N1.7 u odnosu na N1.5 pokriva da li nadogradnja opravdava ponovno pravljenje vašeg cjevovoda.

Ova posljednja tri reda objašnjavaju većinu razočaranja koje ljudi prijavljuju. Naslovnih 27.9 ms je TensorRT engine na H100 sa jednom kamerom i četiri koraka denoisiranja. Običan PyTorch na istoj kartici je 85.8 ms, a kartica modela navodi razliku od 3.08x. Nijedan broj ne uključuje sloj za posluživanje, drugu kameru ili mrežni skok. 152 ms po akcionom koraku koje AY-Robots navodi za svoj servisirani GR00T N1.7 je cifra sa posluživanjem u petlji, a javni internet povratni put se nalazi povrh toga. Više o ovome na kraju. Za brojeve pored drugih modela, GR00T N1.7 u odnosu na Pi0.5 i GR00T N1.7 u odnosu na SmolVLA ih prikazuju jedan pored drugog.

Šta je potrebno za pokretanje prije nego što išta ukucate

Korak 0: same epizode

Sve ispod pretpostavlja da već imate snimljene epizode. Ako nemate, to je pravi prvi korak i on je taj koji odlučuje koliko dobar rezultat može biti, jer učenje imitacijom ne može oporaviti informacije koje nisu u podacima. Prvo kalibrirajte obje ruke, zatim vozite pratioca sa vodećom rukom dok lerobot-record piše parquet datoteke i tokove kamere. Ako je kalibracija isključena, vrijednosti zglobova u vašem skupu podataka opisuju nešto drugačijeg robota od onog koji će kasnije izvršavati politiku, i nikakva količina treninga to ne može popraviti.

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}, wrist: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30}}" \
    --teleop.type=so100_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_leader_arm \
    --dataset.repo_id=${HF_USER}/cube-into-bowl \
    --dataset.num_episodes=60 \
    --dataset.single_task="put the cube in the yellow bowl" \
    --display_data=true

LeRobotov savet je da snimite najmanje 50 epizoda sa oko 10 po lokaciji objekta, držite kamere fiksirane i održavajte dosledno ponašanje hvatanja. Dodajte varijacije kasnije, ne na početku. Pravilo koje vredi zapamtiti: ako sami niste mogli izvršiti zadatak samo na osnovu slika kamere, politika takođe ne može. Za postavku specifičnu za ruku, SO-100 početak rada i stranica SO-100 LeRobot pokrivaju portove, kalibraciju i indekse kamere. Na AY-Robotima to takođe možete učiniti preko interneta iz pregledača koristeći teleoperaciju i snimati direktno iz sesije.

Korak 1: skup podataka mora biti LeRobot v2.1

Ovo je najčešća prepreka. Trenutna CODEBASE_VERSION na glavnoj grani je v3.0, tako da sve što danas snimite sa trenutnim skupom alata izlazi kao v3.0. GR00T-ov učitavač očekuje v2. Repozitorijum je eksplicitan o razlogu: mnogi uzvodni skupovi podataka kao što su DROID, LIBERO i Bridge objavljeni su u v2, a izvorna podrška za oba je planirana, ali nije isporučena. Dakle, konverzija je na vama, i pokreće se u sopstvenom virtuelnom okruženju iz konkretnog razloga: scripts/lerobot_conversion nosi sopstveni pyproject koji zahteva Python 3.10 ili 3.11 i vezuje lerobot za jedan git commit, dok sam Isaac-GR00T zahteva Python 3.12. Instalirajte konverter iz korena repozitorijuma i dobićete gr00t paket umesto toga, što je greška na koju upozorava njegov README. Ako ste novi u formatu, LeRobot skup podataka unos u rečniku objašnjava šta se zapravo nalazi unutra.

# from the Isaac-GR00T repo root
cd scripts/lerobot_conversion
uv venv
source .venv/bin/activate
uv pip install -e . --verbose

# pulls the dataset from the Hub and writes a v2.1 copy into the default cache
python convert_v3_to_v2.py --repo-id <your-hf-user>/<your-dataset>

# or, back in the repo root, keep it next to the SO-100 example
uv run --project scripts/lerobot_conversion \
  python scripts/lerobot_conversion/convert_v3_to_v2.py \
  --repo-id <your-hf-user>/<your-dataset> \
  --root examples/SO100/my_dataset_lerobot

Struktura koju GR00T želi nakon konverzije je klasični v2 raspored: meta/info.json, meta/episodes.jsonl, meta/tasks.jsonl, parquet datoteke pod data/chunk-000/, MP4 datoteke pod videos/chunk-000/observation.images./, i jedna dodatna datoteka koju standardni LeRobot nema. Ta dodatna datoteka je mjesto gdje se nalazi većina preostalih grešaka.

Korak 2: modality.json, šest brojeva koji odlučuju o svemu

U LeRobot skupu podataka, stanje robota i akcija pohranjeni su kao ravni float32 nizovi. Za SO-100, oba imaju oblik [6]: pet zglobova ruke i hvataljka. Demo skup podataka ih imenuje shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos, ali ta imena žive u info.json i ništa u parquet datoteci ne govori koji je indeks koji. meta/modality.json pruža to mapiranje, i GR00T neće trenirati bez njega. Evo ga, onako kako ga repozitorij isporučuje za SO-100, doslovno.

{
  "state": {
    "single_arm": {
      "start": 0,
      "end": 5
    },
    "gripper": {
      "start": 5,
      "end": 6
    }
  },
  "action": {
    "single_arm": {
      "start": 0,
      "end": 5
    },
    "gripper": {
      "start": 5,
      "end": 6
    }
  },
  "video": {
    "front": {
      "original_key": "observation.images.front"
    },
    "wrist": {
      "original_key": "observation.images.wrist"
    }
  },
  "annotation": {
    "human.task_description": {
      "original_key": "task_index"
    }
  }
}

Kopirajte ga u svoj konvertovani skup podataka na meta/modality.json i preimenujte video ključeve u ono kako se vaše kamere zapravo zovu. Ako ste snimali jednom nadzemnom kamerom nazvanom top, onda je original_key observation.images.top a prijateljsko ime je ono na šta će se vaša konfiguracija podataka referencirati. Ova dva moraju biti usaglašena, i nijedno od njih ne proverava drugo umesto vas. Jezička anotacija je gora, jer se isti ključ mora pojaviti na tri mesta.

Korak 3: konfiguracija podataka, relativna ruka i apsolutni hvatač

Konfiguracija modaliteta je Python datoteka, a ne JSON, jer takođe određuje kako je svaka grupa akcija predstavljena. Ovo je deo N1.7 radnog toka koji nije postojao u istom obliku u N1.5, i deo koji vredi pročitati dvaput. Isporučena SO-100 konfiguracija predviđa pet zglobova ruke kao RELATIVNE delte od trenutnog stanja i hvataljku kao APSOLUTNU ciljnu poziciju, jer se binarni signal otvorenog ili zatvorenog stanja bolje ponaša kao cilj nego kao delta.

from gr00t.configs.data.embodiment_configs import register_modality_config
from gr00t.data.embodiment_tags import EmbodimentTag
from gr00t.data.types import (
    ActionConfig, ActionFormat, ActionRepresentation, ActionType, ModalityConfig,
)

so100_config = {
    "video": ModalityConfig(
        delta_indices=[0],                       # current frame only
        modality_keys=["front", "wrist"],        # must match modality.json
    ),
    "state": ModalityConfig(
        delta_indices=[0],
        modality_keys=["single_arm", "gripper"],
    ),
    "action": ModalityConfig(
        delta_indices=list(range(0, 16)),        # predict 16 future steps
        modality_keys=["single_arm", "gripper"],
        action_configs=[
            ActionConfig(rep=ActionRepresentation.RELATIVE,   # arm joints
                         type=ActionType.NON_EEF,
                         format=ActionFormat.DEFAULT),
            ActionConfig(rep=ActionRepresentation.ABSOLUTE,   # gripper
                         type=ActionType.NON_EEF,
                         format=ActionFormat.DEFAULT),
        ],
    ),
    "language": ModalityConfig(
        delta_indices=[0],
        modality_keys=["annotation.human.task_description"],
    ),
}

register_modality_config(so100_config, embodiment_tag=EmbodimentTag.NEW_EMBODIMENT)

Dva detalja ovde će vas koštati dan ako ih ne znate. Prvo, action_configs je poziciono: dokumentacija zahteva istu dužinu i isti redosled kao modality_keys, i jasno navode posledice pogrešnog unosa, a to je da se pogrešna reprezentacija primenjuje tiho. Vaša hvataljka se trenira kao delta, a vaša ruka kao apsolutni cilj, i nema poruke o grešci. Drugo, register_modality_config tvrdi da tag nije već registrovan, tako da druga NEW_EMBODIMENT konfiguracija u istom Python procesu umire sa Embodiment tag ... already registered. Ne možete uvesti dve ovakve konfiguracije u jednu skriptu. Treće pravilo se primenjuje kasnije, pri implementaciji: akcija delta_indices mora biti neprekidan opseg koji počinje od nule. Retki prozor kao što je [0, 4, 8] se odbija, jer sve nizvodno indeksira predviđeni deo linearno i inače bi izvršilo pogrešne redove.

Korak 4: okruženje

N1.7 je premjestio repozitorij na i Python 3.12. Stara conda plus pip install -e . putanja i dalje postoji u sažetom dijelu README-a, ali upozorava da GPU zavisnosti, uključujući flash-attn i TensorRT, možda zahtijevaju ručnu instalaciju. Koristite uv osim ako nemate specifičan razlog da to ne učinite. Što se tiče flash-attn-a, jedan detalj štedi zabunu: vidjet ćete Installing flash-attn ispisano pri svakom uv run. Ne vrši se ponovna izgradnja. uv ponovo validira URL-prikvačeni wheel koji je već keširan, i to traje dvije ili tri sekunde.

1. 1
   Instalirajte git-lfs, zatim klonirajte sa podmodulima

   git-lfs je obavezan, nije opcionalan. Bez njega, parquet datoteke u demo_data/ dolaze kao pokazivački stubovi, a demo pokretanje ne uspijeva na skupu podataka koji izgleda prisutan u popisu datoteka.

   bash

   sudo apt install git-lfs && git lfs install
   git clone --recurse-submodules https://github.com/NVIDIA/Isaac-GR00T
   cd Isaac-GR00T

2. 2
   Instalirajte uv i sinhronizujte okruženje

   Podrazumijevana instalacija povlači GPU zavisnosti uključujući flash-attn i TensorRT. Na svježoj A100 ili H100 slici ovo je najduži pojedinačni korak, pa ga uradite prije nego što počnete obraćati pažnju na bilo šta drugo.

   bash

   curl -LsSf https://astral.sh/uv/install.sh | sh
   sudo apt-get update && sudo apt-get install -y ffmpeg
   uv sync --python 3.12
   uv run python -c "import gr00t; print('GR00T installed successfully')"

3. 3
   Autentifikujte se sa Hugging Face-om

   Uradite ovo prije prvog pokretanja treninga, a ne nakon što ne uspije osam minuta kasnije.

   bash

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

4. 4
   Provjera ispravnosti na isporučenim SO-100 demo podacima

   Prije nego što dodirnete vlastiti snimak, pokrenite 2000 koraka na demo_data/cube_to_bowl_5. To je pet epizoda, brzo se završava i dokazuje okruženje, a ne vaše podatke. Ako ovo pokretanje ne uspije, ništa što učinite sa svojim skupom podataka neće pomoći.

   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

Korak 5: naredba za fino podešavanje i stvarne podrazumevane vrednosti njenih zastavica

Zamenite demo skup podataka svojim i dodajte opcije koje zaista želite. Ispod je puni oblik koji repozitorijum koristi u svom tutorijalu za novo-otelotvorenje, uključujući zastavice za augmentaciju i čuvanje kontrolnih tačaka koje kratak README primer izostavlja. Ovo je u užem smislu: jezička okosnica i vizuelni enkoder ostaju zamrznuti, a ono što se trenira su projektor i difuziona akciona glava.

export NUM_GPUS=1
CUDA_VISIBLE_DEVICES=0 uv run python \
    gr00t/experiment/launch_finetune.py \
    --base-model-path nvidia/GR00T-N1.7-3B \
    --dataset-path ./my_dataset_lerobot \
    --embodiment-tag NEW_EMBODIMENT \
    --modality-config-path examples/SO100/so100_config.py \
    --num-gpus $NUM_GPUS \
    --output-dir /tmp/so100 \
    --save-total-limit 5 \
    --save-steps 2000 \
    --max-steps 20000 \
    --use-wandb \
    --global-batch-size 32 \
    --color-jitter-params brightness 0.3 contrast 0.4 saturation 0.5 hue 0.08 \
    --dataloader-num-workers 4

Taj posljednji red nije greška u kucanju. launch_finetune.py je tyro CLI generisan iz dataclass-a, i taj dataclass nema polje za seed. README zasebno navodi 5 do 6 posto varijacije između pokretanja uzrokovane nedeterminističkom augmentacijom slike. Dva pokretanja sa identičnim zastavicama neće proizvesti identične kontrolne tačke, što je veoma važno kada pokušavate da odlučite da li je promjena hiperparametra pomogla ili ste imali sreće. Poređenja radi, lerobotov vlastiti trener podrazumevano koristi seed 1000, a LeRobot GR00T recept prosleđuje --seed=42 eksplicitno.

Koliko košta pokretanje od 20000 koraka

GR00T N1.7 zahtijeva karticu od 80 GB, tako da pitanje troškova ima uski odgovor. Na AY-Robots, groot1.7 trener radi na A100 80 GB ili H100 80 GB nivou, gdje pokretanje traje 3 do 6 sati po cijeni od 1.20 do 2.00 USD po satu na spot tržištu. To je otprilike 4 do 12 USD za podrazumevani posao od 20000 koraka. Isti zadatak na SmolVLA ili ACT radi na kartici od 24 GB po cijeni od 0.30 do 0.60 USD po satu i 1 do 3 USD po pokretanju. To je pravi kompromis: GR00T košta otprilike četiri puta više po pokušaju, i ne možete ga pokrenuti na 4090 ispod vašeg stola.

Minimalnih 50 epizoda je donja granica, a ne cilj. NVIDIA-in FAQ je zahtjevniji: otprilike 100 putanja za jednostavno podizanje i postavljanje na fiksnoj lokaciji, 500 ili više za složene scene sa više koraka, i 100 do 500 za finu manipulaciju. Ako ste na 20 epizoda, provedite popodne snimajući umjesto da uveče podešavate. Vodič za prikupljanje podataka pokriva šta korisnu epizodu odvaja od protraćene, snimite svoj prvi skup podataka je kratka verzija, a prikupljanje podataka za SO-100 je specifična za ruku.

Korak 6: evaluacija otvorene petlje pre nego što dodirnete ruku

Ne stavljajte svježi kontrolna tačka na fizičku ruku da biste saznali da li je obuka uspjela. Prvo pokrenite evaluaciju otvorene petlje. Ona ponavlja snimljenu epizodu, traži od modela akcije na svakom koraku i iscrtava predviđanje u odnosu na stvarnu vrijednost sa MSE i MAE. Ne košta ništa i hvata greške mapiranja iz koraka 2 i 3.

uv run python gr00t/eval/open_loop_eval.py \
    --dataset-path ./my_dataset_lerobot \
    --embodiment-tag NEW_EMBODIMENT \
    --model-path /tmp/so100/checkpoint-20000 \
    --traj-ids 0 \
    --execution-horizon 16 \
    --steps 400 \
    --modality-keys single_arm gripper

Repozitorij namjerno odbija objaviti ciljani MSE za prilagođene podatke, i to je ispravna odluka: broj zavisi od vaših akcionih jedinica, vašeg zadatka i veličine vašeg skupa podataka, tako da prag kopiran sa tuđe ruke ne znači ništa. Ono što je značajno je trend. Evo referentnog pokretanja koje repozitorij dokumentuje na jednom H100 sa demo skupom podataka od pet epizoda i 2000 koraka.

Oblik je signal, a ne apsolutne vrijednosti. Greška bi trebala postepeno opadati kako se koraci obuke akumuliraju. U prosjeku, preko svih pet epizoda obuke, a ne samo putanje 0, konačna kontrolna tačka repozitorijuma postigla je otprilike 7.5 MSE i 1.5 MAE, tako da se čak i referentno pokretanje različito tumači u zavisnosti od toga koje epizode prosječite. Zabilježite svoju početnu vrijednost na nemodifikovanoj demo komandi prije nego što promijenite bilo šta u vezi sa svojim podacima: ako ne možete reprodukovati poznato dobro pokretanje, ne možete razlikovati grešku u postavljanju od problema sa podacima. Repozitorijum takođe mapira uobičajene simptome na uzroke, i svaki od njih je operativan, a ne greška modela.

Drugi put: lerobot-train umjesto Isaac-GR00T

Trenutno izdanje LeRobot-a, 0.6.1 na PyPI-ju od 3. avgusta 2026. godine, nudi drugi i prilično drugačiji način za fino podešavanje istih osnovnih težina. LeRobot izlaže GR00T N1.7 kao tip politike i obučava ga putem sopstvene lerobot-train ulazne tačke. Dvije stvari su ovdje važne. LeRobot CLI je skup konzolnih skripti, tako da sve što pročitate da kaže python lerobot/scripts/train.py je zastarjelo i neće se pokrenuti. A LeRobot je u potpunosti uklonio podršku za GR00T N1.5, odbijajući N1.5 kontrolne tačke i konfiguracije sa napomenom o migraciji, tako da ako vam je potreban N1.5 putem LeRobot-a, morate fiksirati lerobot==0.5.1, posljednje izdanje koje ga podržava, objavljeno 7. aprila 2026.

pip install "lerobot[groot]" "lerobot[training]"
hf auth login

lerobot-train \
  --dataset.repo_id=$HF_USER/$DATASET_NAME \
  --dataset.image_transforms.enable=true \
  --policy.type=groot \
  --policy.device=cuda \
  --policy.base_model_path=nvidia/GR00T-N1.7-3B \
  --policy.embodiment_tag=new_embodiment \
  --policy.chunk_size=16 \
  --policy.n_action_steps=16 \
  --policy.use_relative_actions=true \
  --policy.relative_exclude_joints='["gripper"]' \
  --policy.use_bf16=true \
  --seed=42 \
  --batch_size=64 \
  --steps=20000 \
  --save_freq=5000 \
  --output_dir=$OUTPUT_DIR

Dva načina za dobijanje iste kontrolne tačke

Vraćanje kontrolne tačke na ruku

Isaac-GR00T koristi podelu server-klijent preko ZMQ-a. Politika se izvršava na GPU-u, a tanki klijent na robotskoj mašini šalje zapažanja i prima delove akcija. Primer SO-100 je dovoljno kompletan za kopiranje: pokrenite run_gr00t_server.py sa vašom kontrolnom tačkom i --embodiment-tag NEW_EMBODIMENT, zatim pokrenite eval_so100.py na strani robota sa serijskim portom, ID-om robota, indeksima kamere i jezičkom instrukcijom. Imena kamera u toj komandi moraju se podudarati sa prijateljskim imenima iz vašeg modality.json, a ne sa brojevima OS uređaja.

# GPU side
uv run python gr00t/eval/run_gr00t_server.py \
  --model-path /tmp/so100/checkpoint-20000 \
  --embodiment-tag NEW_EMBODIMENT \
  --device cuda:0 \
  --host 0.0.0.0 --port 5555

# robot side, from gr00t/eval/real_robot/SO100
uv run --no-sync python eval_so100.py \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM2 \
  --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=localhost --policy_port=5555 \
  --lang_instruction="put the cube in the yellow bowl"

Sada iskreni dio o tome gdje se politika izvršava, jer obuka i posluživanje imaju različite hardverske priče. Fino podešavanje zahtijeva 40 GB ili više. Inferencija ne: README navodi 16 GB ili više i eksplicitno imenuje RTX 4090, tako da kartica koju već posjedujete može poslužiti checkpoint koji nikada nije mogla proizvesti. Ono što odlučuje da li se politika čini responzivnom nije VRAM, već gdje se server nalazi. Na AY-Robots GR00T N1.7 je samo u oblaku, tako da kontrolna petlja plaća povratno putovanje preko javnog interneta povrh 152 ms po koraku akcije, i samo SmolVLA i ACT takođe rade lokalno. Za sporo uzimanje i postavljanje, udaljeni pod je održiv. Za bilo šta reaktivno nije: politika postaje neodlučna na način koji izgleda tačno kao neuspjeh obuke, a nije. ACT sa 20 ms po koraku akcije je model koji toleriše najužu petlju, SmolVLA je na 245 ms, i nikakva količina podešavanje latencije ne vraća povratno putovanje koje je već potrošeno. Pokrenite svoju prvu politiku prolazi kroz stranu posluživanja od kraja do kraja.

Šta zapravo krene po zlu

• GatedRepoError pri prvom pokretanju. Nije vam odobren pristup nvidia/Cosmos-Reason2-2B, ili se niste autentifikovali. Ovo se dešava nakon što je GPU sat već počeo.
• Skup podataka odbijen pri učitavanju. Gotovo uvijek skup podataka v3.0. Konvertujte ga na nižu verziju. Pogledajte skup podataka odbijen kao v3.
• IndexError zbog neusklađenih boolean dimenzija. Promijenili ste delta_indices i niste regenerisali statistiku.
• Nedostatak memorije pri batch 32. Smanjite --global-batch-size i povećajte --gradient-accumulation-steps, ili smanjite --num-shards-per-epoch, što konfiguracija eksplicitno sugeriše kada je VRAM ograničen. Pogledajte nedostatak memorije tokom treninga.
• Gubitak opada, politika ne radi ništa. Podrazumijevano nema validacione podjele, tako da čista kriva treninga malo dokazuje. Ova stranica pokriva dijagnozu.
• Radi u vašem podešavanju i nigdje drugdje. Očekivano sa malim skupom podataka snimljenim pod jednim uslovom osvjetljenja. NVIDIA preporučuje augmentaciju boja (colour jitter) plus 20 do 50 epizoda pod različitim osvjetljenjem. Više ovdje.
• Hvataljka se nikada ne zatvara pravilno. Provjerite da je akcija hvataljke ABSOLUTE, a zglobovi ruke RELATIVE, tim redoslijedom u action_configs. Hvataljka se ne zatvara navodi ostale uzroke.
• Kamera se tiho isključi usred snimanja. Epizoda se i dalje snima i video ključ i dalje postoji, zbog čega je ovo nezgodno. Kamera nije detektovana to pokriva.

Cijeli indeks načina kvara nalazi se na . Ako birate između modela umjesto da otklanjate greške na jednom, i imaju benchmark brojeve sa priloženim izvorima, i je poređenje koje većina ljudi zapravo treba, jer je to izbor između modela koji možete trenirati na kartici ispod vašeg stola i onog za koji morate iznajmiti čvor od 80 GB za fino podešavanje. Za pozadinu o tome zašto se ovi modeli ponašaju na način na koji se ponašaju, i vrijedi prvo pročitati. A ako još nemate ruku, prenosi fizički SO-100 bez prijave.