Koju VLA politiku biste trebali trenirati 2026.?

Pet politika se danas može trenirati na ruci klase SO-100. Razlikuju se za faktor 24 u inferenciji latencije, 37 u broju parametara i 12 u cijeni pokretanja, te u tome smijete li isporučiti rezultat. Pet kartica modela neće riješiti dilemu: nijedna ne odgovara na pitanje koje imate, koju da pokrenem prvu?

Svaki broj ispod je pročitan iz radova, repozitorija i kartica u augustu 2026. Brojevi platforme dolaze iz AY-Robots katalog politika; gdje se ta dva ne slažu, prikazana su oba.

Tabela odluka

Pet kandidata

Svih pet su politike: okviri kamere, pozicije zglobova i, za četiri od njih, jezička instrukcija, mapirana na dio budućih ciljeva zglobova. Ono što ih razdvaja je koliko je naučeno prije vašeg dolaska.

GR00T N1.7

NVIDIA-in trenutni model vizije, jezika i akcije, oko 3 milijarde parametara, otprilike 40 miliona trenirano tokom finog podešavanja. Repozitorijum navodi delte iz N1.6: okosnica od Eagle modela dobavljača do Cosmos-Reason2-2B na Qwen3-VL, difuzioni slojevi 32 na 16, dimenzije stanja i akcije 29 na 132, horizont akcije 16 na 40.

Ono što je važno na maloj ruci je relativni akcioni prostor krajnjeg efektora: N1.7 predviđa delte iz trenutne poze, što omogućava prenos 20K sati EgoScale ljudskog videa u robotsku politiku. Specifikacija na stranici N1.7, procedura u vodiču N1.7 na SO-100.

GR00T N1.5

Ista skala od 3 B, Eagle 2 okosnica, SigLip2 i T5, flow-matching DiT glava. Postoji da bi se proširio koji već imate. Dvije stvari ga čine lošim podrazumijevanim izborom: težine nose NVIDIA-inu jednosmjernu nekomercijalnu licencu, a trenutna izdanja LeRobota su uklonila podršku za N1.5. Pogledajte .

Pi0.5

Physical Intelligence-ov VLA, tip politike pi05. Rad predstavlja 2 B VLM inicijalizovan iz PaliGemme plus 300 M akcioni ekspert, koji pokreće robota na 50 Hz; konfiguracija LeRobota pi05 podrazumevano koristi blok od 50 koraka, jednu sekundu po toj stopi. Prodajna tačka su neviđena mesta: oko 400 sati mobilne manipulacije u stvarnim domovima, i studija skaliranja preko 3, 12, 22, 53, 82 i 104 lokacije, gde je model sa 104 lokacije odgovarao kontroli obučenoj na samim testnim domovima.

Jedno ograničenje, navedeno na lerobot/pi05_base kartici: port nosi samo glavu za podudaranje toka akcije. Predviđanje podzadataka, tokenizacija akcije i RL nisu objavljeni uzvodno, a openpi kaže isto za svoj repozitorijum. Stranica Pi0.5 i vodič za Pi0.5 na SO-100 imaju ostatak.

SmolVLA

450 M parametara, oko 100 M u akcionom ekspertu, na SmolVLM-2 sa zamrznutim VLM-om i korištenjem samo njegovih prvih 16 slojeva jezičkog modela. Predobuka je bila na podacima zajednice: 481 skup podataka, 10.6 M okvira, sa istih jeftinih ruku koje koristite. Jedini VLA ovdje koji staje na jednu 24 GB karticu, i jedini sa 30 epizoda pod. Pogledajte stranicu SmolVLA.

ACT

Nije temeljni model. Action Chunking Transformer iz ALOHA-e ima oko 80 M parametara treniranih od nule po zadatku, na 50 demonstracija pri 50 Hz. Rad izvještava o šest stvarnih bimanualnih zadataka iz otprilike deset minuta demonstracija svaki, sa 80 do 90 posto uspješnosti na primjerima koje ističe. Njegova ideja, action chunking, nalazi se u svakom modelu na ovoj stranici, a njegova ablacija i dalje mjeri učinak najbolje: preko dva simulirana zadatka s isključenim vremenskim ansamblom, uspjeh raste s 1 posto pri k=1 na 44 posto pri k=100. Stranica ACT ima ostatak.

Što zapravo govore benchmarkovi

LIBERO je jedini benchmark o kojem izvještavaju tri od ovih pet: zadaci uvjetovani jezikom na simuliranoj Franka Panda, podijeljeni u četiri niže navedene svite po deset zadataka svaka. NVIDIA je provela 200 pokušaja po sviti.

SimplerEnv pokazuje raspon, što LIBERO ne čini. NVIDIA upoređuje N1.7 sa N1.6, što je najbliže javnoj stvari generacijskoj delti.

Red Bridge je koristan: 5.7 bodova dobijeno u prosjeku dok je put_eggplant_in_basket izgubio 36, a put_eggplant_in_sink pao sa 33 na 2. Nova generacija pomjera distribuciju umjesto da je podiže, tako da ako se vaš zadatak nalazi tamo gdje je N1.7 regresirao, prosjek ne govori ništa.

Od pet, samo SmolVLA rad izvještava o ruci klase SO-100: 78.3 posto za SmolVLA i 61.7 za Pi0 kroz tri zadatka, oba višezadaćna, naspram 48.3 za ACT treniran jednim zadatkom, što nije uporedivo. Čisto uparivanje je oba jednim zadatkom na SO-101 pick-and-place: 90 naspram 70 u distribuciji, 50 naspram 40 izvan nje. Uporedite na ACT protiv SmolVLA i Pi0.5 protiv SmolVLA, ili pregledajte arenu.

Latencija i trošak odlučuju o implementaciji

Latencija inferencije je ograničenje koje ljudi otkriju posljednje i prvo požale. Politika koja je pet bodova bolja na benchmarku, ali pola sekunde po koraku akcije, izgleda lošije na vašem stolu: dinamika kontakta ne čeka.

Jedna napomena: GR00T podatak se ne slaže sa NVIDIA karticom, koja mjeri 4 koraka denoisinga i jednu kameru na 85.8 ms na H100 u eager modu, 48.6 ms sa torch.compile, 27.9 ms kroz puni TensorRT. Ovdje navedenih 152 ms je podatak za cijeli stack sa serving overheadom i više od jedne kamere, a ne samo forward pass.

Jedan način da se dobije na vremenu bez promjene modela: SmolVLA rad mjeri sinhrono izvršavanje, gdje politika završava jedan dio prije predviđanja sljedećeg, naspram asinhronog, gdje se predviđanje preklapa sa izvršavanjem. Uspjeh je sličan, 78.3 naspram 73.3, ali isto uzimanje i postavljanje (pick-and-place) traje 9.7 sekundi umjesto 13.75, i u fiksnom prozoru robot uspijeva 19 ciklusa umjesto 9.

Licence, provjerene jer ih niko ne provjerava

Red za Pi0.5 zahtijeva pažnju. Dokumentacija LeRobot pi05 navodi Apache 2.0, što je u skladu sa openpi, dok kartica Huba za lerobot/pi05_base sadrži license: gemma. Oba su aktivna. GR00T N1.7 ima blažu verziju: Isaac-GR00T README usput navodi da je N1.7 u potpunosti komercijalno licenciran pod Apache 2.0, dok njegov vlastiti odjeljak za licencu i kartica modela stavljaju samo kod pod Apache 2.0, a težine pod NVIDIA Open Model License.

Podrazumijevane postavke koje ćete stvarno pokrenuti

Svaki obrazac trenera dolazi sa zadanim postavkama, i one nisu proizvoljne. ACT-ovi su LeRobot-ovi vlastiti: batch 8, lr 1e-5, 100000 koraka obuke, veličina bloka 100, podudaranje sa ACTConfig uzvodno i k=100 from the ACT paper. Jedna kolona ispod je zamka.

Postavka koja je važnija od izbora modela

To je akcioni blok. Duži blokovi daju glađe kretanje i manje kumulativnih grešaka, ali politika je posvećena dok se blok izvršava, tako da kasno reaguje na sve što se kreće: samouverena na statičnoj kocki, beznadežna na onoj koja se kotrlja. Ako pređe cilj, skraćivanje izvršenog dela je bolje od ponovnog treniranja i besplatno je. Zglob koji se zaustavi prerano je drugačiji problem; pogledajte .

• ACT: ACTConfig podrazumevano koristi chunk_size 100 i n_action_steps 100. Vremensko ensembliranje je isključeno i zahteva n_action_steps 1.
• GR00T N1.7: interni horizont je prešao sa 16 na 40, ali LeRobot-ov SO-101 primer i dalje pokreće --policy.chunk_size=16 --policy.n_action_steps=16. Zastavica za rollout je preimenovana u --execution-horizon.
• Pi0.5: blok od 50 koraka, od kojih LeRobot-ov LIBERO recept izvršava 10 putem --policy.n_action_steps=10; sa --policy.pretrained_path vraća se na 50 ako izostavite zastavicu.
• SmolVLA: blokovi od 50 akcija, obe opcije su dostupne.

Kako testirati svih pet u jednom popodnevu

Najjeftiniji odgovor nije više čitanja. Potrošite oko 15 USD i neka vam ruka kaže: snimite jednom, prvo trenirajte jeftin model, pa ga nadogradite kada se podaci pokažu pouzdanim. Struktura pobeđuje volumen, što je poenta i .

1. 1
   Snimite 50 epizoda jednom

   Pedeset čisti teren za GR00T, Pi0.5 i ACT, te SmolVLA-ovih 30. Ponovite svaku varijaciju umjesto da se raspršite: 50 epizoda kroz 5 pozicija kocke trenirano tamo gdje 25 nije. Pogledajte snimite svoj prvi skup podataka.

   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
   Prvo trenirajte ACT, jer vam ne može lagati

   Nema prethodno obučenih težina, pa ako uopšte obavlja zadatak, vaš skup podataka sadrži zadatak. Ako ACT zataji, popravite podatke. 1 do 3 USD, 2 do 5 sati na kartici od 24 GB.

   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
   Pokrenite SmolVLA na istom skupu podataka, nepromijenjeno

   Isti podaci, ista ruka, 450 M parametara umjesto 80 M, plus jezičko uslovljavanje. LeRobot procjenjuje pokretanje od 20K koraka na otprilike 4 sata na jednom A100. Ovo vam govori da li prethodno treniranje donosi ikakvu korist.

   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
   Pretvorite na v2.1 prije nego što dodirnete GR00T

   GR00T čita varijantu LeRobot v2 formata plus dodatnu meta/modality.json mapu koja prikazuje kako se konkatenirani nizovi stanja i akcija dijele na imenovana polja. Skup podataka v3.0 ruši taj učitavač, jer v3.0 pakuje mnoge epizode u zajedničke datoteke gdje je v2 pisao jednu po epizodi. Isaac-GR00T isporučuje pomoćnik za povratak na stariju verziju kao scripts/lerobot_conversion/convert_v3_to_v2.py; stranica za odbijanje v3 je brzi put.

   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
   Pređite na GR00T N1.7 samo ako prva dva nisu dala potpune rezultate

   Preko NVIDIA-inog CLI-ja, prikazanog ovdje, ili LeRobot-ovog groot tipa politike. NVIDIA preporučuje 40 GB ili više VRAM-a za fino podešavanje, 16 GB za inferenciju. U slučaju OOM-a, pogledajte OOM stranicu.

   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

Dva načina za pokretanje tog skrining prolaza

# 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

Temeljni model ili od nule

Prava dilema nije koji 3 B model odabrati. Pitanje je da li uopšte koristiti preobučeni VLA, s obzirom na to da je ACT naučio šest stvarnih bimanualnih zadataka iz otprilike deset minuta demonstracija za svaki, sa 80 M parametara i ništa preobučeno.

Slučaj reprodukcije starog pokretanja

Potraga za kontrolnom tačkom iz 2025. godine donosi izbor modela za vas i pretvara problem u fiksiranje verzije: trenutni LeRobot odbija N1.5, pa fiksirate lerobot==0.5.1. Bez polja za seme i sa 5 do 6 procenata varijacije između pokretanja, reprodukcija je po konstrukciji približna. i imaju stranu platforme.

Svedeno na dva? ACT protiv GR00T N1.7 i GR00T N1.7 protiv SmolVLA. Sirovi redovi se nalaze u unosima arene: GR00T N1.7, Pi0.5, SmolVLA i ACT.

Gdje vam ova platforma ne pomaže

• Ne može ubrzati udaljenu inferenciju. Petlja od 20 do 485 ms pripada modelu; internet povratna putovanja tome doprinose.
• Ne može fino podesiti GR00T ili Pi0.5 na vašem hardveru. Oba su ovdje samo u oblaku; samo SmolVLA i ACT rade lokalno.
• Ne može popraviti skup podataka. Gubitak opada, ali politika ne radi ništa je problem sa podacima, politika koja radi samo u jednom podešavanju je problem pokrivenosti.
• Ne može učiniti GR00T pokretanja ponovljivim: uzvodna konfiguracija nema polje za sjeme.

Odabir jednog i nastavak

Jedna podrazumevana opcija: snimite 50 epizoda, trenirajte ACT za 1 do 3 USD da biste dokazali skup podataka, zatim SmolVLA na istim podacima. Zajedno ispod 6 USD, i oni odgovaraju na pitanje koje je važno: da li pretreniranje pomaže ovde, ili da li je usko grlo u podacima. Pređite na GR00T N1.7 za višestepene zadatke bogate kontaktima, na Pi0.5 kada se scena menja.

Uputstvo za platformu: trenirajte svoju prvu politiku, zatim pokrenite svoju prvu politiku. dokumentacija za obuku i dokumentacija za skupove podataka pokrivaju formu i format; stranica SO-100 i kompletan vodič za SO-100 pokrivaju izradu i kalibraciju. Pozadina: pregled VLA i članak o Pi0 flow-matching-u. Onaj koji će poboljšati vašu stopu uspeha je vodič za kvalitet podataka.