Trošak VLA obuke: Koliko zaista košta jedno fino podešavanje

Račun ima četiri stavke, a GPU je najmanja

Kada ljudi pitaju koliko košta fino podešavanje modela vizije-jezika-akcije za SO-100, gotovo uvijek misle na najam GPU-a. To je broj koji se pojavljuje kao naplata na kartici, pa je to onaj koji se čini stvarnim. Također je, s velikom razlikom, najmanji od četiri broja koji određuju koliko vas zapravo košta radna politika.

Vremena obuke u nastavku potiču iz radova i repozitorijuma pet modela, troškovi hardvera iz objavljenog spiska materijala, brojevi platformi od AY-Robots katalog politika i stranice sa cijenama. Tamo gdje platforma ne pomaže, ovaj članak to navodi.

Koliko zapravo košta sat GPU-a na spot tržištu

Ne postoji jedinstvena cijena za sat A100. Na tržištu kao što je vast.ai svaki host postavlja svoju cijenu, a pokretanje obuke koje pokrenete slijeće na mašinu koja je jeftina i slobodna u tom trenutku. Iskren odgovor je distribucija. Evo je, izmjerena 23. avgusta 2026. u 13:44 UTC: pojedinačne pune kartice, na zahtjev, filtrirane po stvarnom VRAM-u.

# 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

Zašto 3B modeli ne mogu koristiti jeftinu karticu

Sat 4090 i sat H100 80 GB razlikuju se otprilike šest puta po gore navedenim medijanima. Ono što vas tjera na skupu karticu nije brzina, već memorija. openpi postavlja donju granicu za potpuno Pi0.5 fino podešavanje na 70 GB, a NVIDIA preporučuje 40 GB ili više za GR00T. Imajte na umu što GR00T broj nije. Njegova konfiguracija finog podešavanja zamrzava jezični model i vizualni enkoder prema zadanim postavkama (tune_llm i tune_visual su False, projektor i difuzijska glava True), zbog čega katalog navodi otprilike 40 M obučenih parametara od 3 B. 40 GB nije stanje optimizatora za 3 B težine, to je zamrznuta okosnica plus aktivacije. Varijante smanjenog opsega padaju niže: openpi-jev LoRA put zahtijeva 22.5 GB i imenuje 4090, a NVIDIA-in Isaac Lab Arena radni tok navodi opciju s jednom GPU-om od 24 GB za GR00T nakon obuke. Platforma se rangira prema donjoj granici koju svaki dobavljač objavljuje za konfiguraciju koju stvarno pokreće. Članak o pi0 flow-matchingu objašnjava odakle dolazi taj flow-matching otisak.

Ta tablica je razlog zašto platforma dijeli pet modela u dva sloja. GR00T N1.7, GR00T N1.5 i Pi0.5 idu na A100 80 GB ili H100 jer to traže dobavljači. SmolVLA i ACT idu na RTX 4090 ili bilo koju karticu od 24 GB jer je to zaista dovoljno.

Koliko dugo svaki od pet modela zapravo radi

Vrijeme izvođenja je druga polovina troška: 2.00 USD po satu je nebitno ako posao traje 40 minuta, a pogubno ako traje 40 sati. Ovo su podrazumijevane postavke koje AY-Robots zaista šalje treneru, sa prozorom izvođenja i troškom za svaki nivo.

Odakle potiču ti vremenski okviri izvođenja (run windows) uzvodno

• SmolVLA: dokumentacija lerobot navodi da 20.000 koraka traje otprilike 4 sata na jednom A100. Platforma pokreće istih 20.000 koraka na jeftinijem nivou od 24 GB, stoga je to vremenski okvir (window) umjesto fiksnih 4 sata.
• ACT: originalni ALOHA rad izvještava o oko 5 sati na jednoj 11 GB RTX 2080 Ti kartici za model sa 80M parametara. 4090 je nekoliko generacija novija, ali platforma budžetira 100.000 koraka, tako da se vremenski okvir (window) nalazi na istom mjestu.
• GR00T: NVIDIA-in referentni radni tok za generaciju N1.6 navodi otprilike 4 do 8 sati za 20.000 koraka u batchu 24 na osam L40S kartica, i 2 do 3 sata za 30.000 koraka u batchu 16 na jednoj Ada 6000. Fino podešavanje 3B VLA modela na jednoj kartici za nekoliko sati je normalno, a ne optimistično.
• Pi0.5: openpi ne objavljuje podatke o stvarnom vremenu (wall-clock figure), ali objavljuje minimalnih 70 GB za potpuno fino podešavanje, što određuje karticu, a time i brzinu.

Vrijedi se zaustaviti na broju koji ne plaćate. GR00T N1 rad izvještava o otprilike 50.000 H100 GPU sati za predtreniranje 2.2B modela, na klasteru do 1024 GPU-a, sa veličinom batcha za predtreniranje od 16.384 za 200.000 gradijentnih koraka. Po cijeni od 1.34 do 2.34 USD po satu izmjerenoj iznad, to je reda veličine 67.000 do 117.000 USD iznajmljenog računarstva. SmolVLA rad procjenjuje svoj projekt na približno 30.000 GPU sati kroz 481 skup podataka zajednice, 22.9K epizoda i 10.6M okvira. Sve to nasljeđujete po cijeni preuzimanja; vaših 8 USD kupuje posljednjih 20.000 koraka. Zašto su VLA modeli izgrađeni na ovaj način pokriva tu podjelu.

Ruka: jednokratni trošak koji zasjenjuje račun za GPU

Jedno pokretanje obuke košta manje od ručka. Robot ne. Zato je SO-100 važan: to je najjeftinija ruka koju cijeli lanac alata za učenje imitacijom zapravo podržava.

Uzvodna lista materijala u repozitorijumu SO-ARM100 je detaljnija i vrijedi je provjeriti u odnosu na vašu regiju: njena lista Dijelovi za dvije ruke iznosi ukupno 229.88 USD ili 226.30 EUR za postavku vođe i pratioca, a njena lista Dijelovi za jednu ruku pratioca iznosi ukupno 121.94 USD ili 124.30 EUR. Šest STS3215 servomotora po 13.89 USD svaki čine 83.34 od tih 121.94, tako da su servomotori ruka. Po cijeni od 1 do 3 USD po pokretanju SmolVLA ili ACT, jedan par ruku vrijedi između 77 i 230 pokretanja obuke. Ako još uvijek birate, SO-100 u odnosu na SO-101 je poređenje koje je važno, jer su ova dva modela dovoljno slična da je odluka više o dostupnosti nego o sposobnosti.

Ljudski sati: stavka koju niko ne stavlja u tabelu

Ovo je broj koji preokreće diskusiju o troškovima. Snimanje demonstracija je osoba koja pomera robotsku ruku, jednu epizodu za drugom, u realnom vremenu. Nema grupisanja niti iznajmljivanja po sekundi. LeRobot skup podataka snimač dolazi sa podrazumevanim postavkama koje olakšavaju računanje, sve tri potvrđene u DatasetRecordConfig: 60 sekundi po epizodi, 60 sekundi za resetovanje scene, 50 epizoda. Kolona za novac ispod pretpostavlja 15 USD za sat vremena nečijeg rada, što je pretpostavka, a ne broj platforme. Zamenite sopstvenu stopu; odnos je poenta.

1. 1
   Snimite skup podataka sa podrazumevanim vrednostima koje će vam zapravo biti naplaćene

   Ovo je lerobot 0.6.1, verzija na PyPI-ju od 3. avgusta 2026. Obratite pažnju na oblik CLI-ja: snimanje se vrši preko ulazne tačke konzole lerobot-record (lerobot.scripts.lerobot_record), a ne stare putanje modula python -m lerobot.scripts.record. AY-Robots cilja 0.5.1, a 0.5.1 wheel deklariše iste ulazne tačke lerobot-record i lerobot-train, tako da je oblik ispod stabilan za obe verzije. Tri vremenske zastavice su podrazumevane vrednosti, tako da je ovo takođe komanda koju pretpostavlja aritmetika u sledećoj tabeli.

   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
   Pogledajte šta ste snimili pre nego što iznajmite ijedan minut GPU-a

   Inspekcija skupa podataka košta nula USD po satu. Otkrivanje istog problema iz krive gubitka košta 2.00 USD po satu na H100 nivou i saznajete četiri sata kasnije. Gurnite skup podataka i pregledajte ga u LeRobot pregledaču, ili pretražite AY-Robots direktorijum skupova podataka.

   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
   Trenirajte i uverite se da kontrolna tačka nadživi pod

   Iznajmljena mašina je po definiciji privremena, pa pišite kontrolne tačke negde trajno tokom izvršavanja. Dve zastavice odlučuju da li ćete zadržati ono što ste platili. --save_freq podrazumevano iznosi 20.000 koraka, tako da podrazumevano izvršavanje SmolVLA od 20.000 koraka piše svoju prvu kontrolnu tačku kada je izvršavanje već završeno; smanjite je pre nego što iznajmite bilo šta prekidivo. --save_checkpoint_to_hub zahteva --policy.repo_id i ne postoji u lerobot 0.5.1, tako da na toj verziji sami kopirate izlazni direktorijum sa mašine. Veličina paketa ispod je primer iz dokumentacije; AY-Robots forma šalje 2 za SmolVLA i piše u skladište objekata kako se kontrolne tačke pojavljuju.

   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

Uporedite desnu kolonu sa 1 do 12 USD koliko košta pokretanje. Po toj pretpostavljenoj stopi, skup podataka od 50 epizoda košta dva do sedam puta više za snimanje nego za obuku, pre kalibracije, podešavanja kamere i epizoda koje odbacite. Zato ima direktnu novčanu vrednost. LeRobot vodič predlaže najmanje 50 epizoda sa 10 po lokaciji objekta; SmolVLA dokumentacija izveštava da verzija istog zadatka sa 25 epizoda nije bila dovoljna.

Gde novac zapravo nestaje

1. Pokretanja na podacima koji nikada nisu mogli da funkcionišu

Pokretanje GR00T-a od 20.000 koraka na skupu podataka sa dva zamenjena strima kamere košta isto kao i na čistom skupu podataka, traje isto vreme i proizvodi krivu gubitka koja izgleda dobro. Kvar se pojavljuje na ruci, satima kasnije. se naplaćuju po satu, a dijagnoza po danima. Dva simptoma koja vredi zapamtiti: obično znači da zapažanja ne nose ono što zadatak zahteva, i znači da je skup podataka imao manje varijacija nego što ste mislili.

2. Plaćanje cijena temeljnog modela za zadatak s fiksnom kamerom

ACT ima otprilike 80M parametara i dizajniran je za obuku od nule na 50 demonstracija jednog zadatka. GR00T N1.7 ima otprilike 3B s unaprijed obučenom okosnicom. Za fiksnu kameru, fiksni stol i jedan objekt, model od 80M često postiže cilj, radi oko 20 ms po koraku akcije umjesto 152 ms, i košta 1 do 3 USD po pokretanju umjesto 4 do 12. Potrošite 3 USD da biste saznali radi li jeftini model prije nego što potrošite 12 USD na skupi. ACT protiv SmolVLA i GR00T N1.7 protiv Pi0.5 pokazuju gdje svaki prestaje biti pravi odgovor; arena modela ima 85 modela i 332 rezultata benchmarka.

3. GPU na koji ste zaboravili

Najjeftinija greška za spriječiti i najčešća za napraviti. Instanca pokrenuta u petak za otklanjanje grešaka naplaćuje se tijekom vikenda po istoj stopi kao i stvarno pokretanje.

Na AY-Robots, ovaj kvar je eliminisan za inferencu: podovi koje obezbjeđuje API za inferencu nose nadzornika neaktivnosti i uništavaju se nakon perioda neaktivnosti. Ako sami iznajmite karticu, taj nadzornik je vaš podsjetnik u kalendaru.

4. Plaćanje dvaput za isti odgovor

Ulazna tačka za fino podešavanje GR00T-a je tyro CLI koji ne eksponira seed. To nije ograničenje platforme, već je to alat uzvodno: ne postoji polje za seed u gr00t/configs/finetune_config.py, a savjeti za obuku samog repozitorijuma upozoravaju da se pokretanja razlikuju za 5 do 6 posto jer su augmentacije slike nedeterminističke. lerobot podrazumijeva seed 1000 u verzijama 0.5.1 i 0.6.1, tako da se pokretanja ACT, SmolVLA i Pi0.5 mogu barem ponovo pokrenuti iz iste inicijalizacije i redoslijeda podataka. To nije obećanje bit-identičnih težina na GPU-u, ali je razlika između ponovnog pokretanja i novog eksperimenta. Ako pokretanje GR00T-a proizvede politiku koja radi, a vi niste sačuvali kontrolna tačka, plaćate punu cijenu za rezultat koji se može razlikovati više od razlike koju ste tražili. Postoji drugi način da izgubite kontrolnu tačku koju ste platili: CLI podrazumijeva --save-total-limit 5, dokumentovano kao maksimalan broj kontrolnih tačaka koje se čuvaju prije nego što se starije izbrišu. Skladištenje košta cente; ponovno pokretanje je 4 do 12 USD i šest sati.

Raditi to sami naspram dopuštanja platformi da iznajmi karticu

# 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>

Šta platforma naplaćuje i kako bira karticu

Logika je namjerno dosadna. Svaki model u katalogu, deklariše GPU nivo; pozadinski sistem uzima potrebnu VRAM memoriju i iznajmljuje odgovarajuću karticu na istom spot tržištu mjerenom iznad. Zato je navedena cijena raspon, a ne fiksna cijena. GR00T i Pi0.5 su ovdje samo u oblaku zbog ograničenja od 40 GB i 70 GB. SmolVLA i ACT takođe rade lokalno na vašoj sopstvenoj kartici od 24 GB, gdje je trošak oblaka nula, a struja vaš problem.

Jedna postavka zaslužuje upozorenje. Akumulacija gradijenta se zaista primjenjuje za obje GR00T varijante, tako da njeno povećanje omogućava veći efektivni batch na istoj kartici. Za Pi0.5 i SmolVLA se uopšte ne primjenjuje: lerobot 0.5.1 nema opciju akumulacije gradijenta u svojoj konfiguraciji za obuku, tako da postavljanje polja na 16 ne košta ništa i ne donosi ništa. Ako posao u redu čekanja nikada ne počne, stranica o zaglavljenom poslu u redu čekanja pokriva šta treba provjeriti; ako je skup podataka odbijen prije početka pokretanja, to je gotovo uvijek problem sa formatom v3.0.

Razrađen budžet za prvu funkcionalnu politiku

Sve četiri linije zajedno, počevši od nule. Ukupni GPU trošak pretpostavlja 3 do 5 pokretanja: prvo dokazuje da cjevovod radi, drugo otkriva problem s podacima, treće ili četvrto je ono koje zadržavate.

Obrazac vrijedi i za ovu veličinu robota: računanje je zanemariva greška, hardver je stvarni jednokratni trošak, ljudski sati su ponavljajući trošak. Da biste testirali dio za obuku prije kupovine bilo čega, ulazne tačke bez hardvera omogućavaju vam da uporedite modele i iznajmite GPU bez robota, i robot uživo je fizički SO-100 kojim možete upravljati u pregledniku bez prijave. Za cijeli cjevovod od početka do kraja, kompletan SO-100 vodič pokriva postavljanje, teleoperaciju i obuku, a obučite svoju prvu politiku je kratka verzija.