Náklady na trénink VLA: Co skutečně stojí jeden běh jemného ladění

Účet má čtyři položky a GPU je ta nejmenší

Když se lidé ptají, kolik stojí doladění pro SO-100, téměř vždy myslí pronájem GPU. To je číslo, které se objeví jako poplatek na kartě, takže to je to, co se zdá být skutečné. Je to také, s velkým náskokem, nejmenší ze čtyř čísel, která rozhodují o tom, kolik vás skutečně stojí funkční .

Níže uvedené časy tréninku pocházejí z vlastních článků a repozitářů pěti modelů, náklady na hardware z publikovaného kusovníku, čísla platformy z AY-Robots katalogu zásad a stránky s cenami. Tam, kde platforma nepomáhá, tento článek uvádí proč.

Kolik skutečně stojí hodina GPU na spotovém trhu

Neexistuje jednotná cena za hodinu A100. Na tržišti jako vast.ai si každý hostitel stanovuje vlastní sazbu a tréninkový běh který spustíte, přistane na jakémkoli stroji, který je v danou sekundu levný a volný. Upřímná odpověď je distribuce. Zde je, měřeno 23. srpna 2026 v 13:44 UTC: jednotlivé plné karty, na vyžádání, filtrované podle skutečné 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

Proč modely 3B nemohou používat levnou kartu

Hodina na 4090 a hodina na H100 80 GB se liší zhruba šestkrát podle výše uvedených mediánů. Co vás nutí k použití drahé karty, není rychlost, ale paměť. openpi stanovuje minimum pro plné Pi0.5 jemné doladění na 70 GB a NVIDIA doporučuje 40 GB nebo více pro GR00T. Všimněte si, co číslo GR00T neznamená. Jeho konfigurace jemného doladění ve výchozím nastavení zmrazí jazykový model a vizuální kodér (tune_llm a tune_visual jsou False, projektor a difuzní hlava True), proto katalog uvádí zhruba 40 M trénovaných parametrů z 3 B. 40 GB není stav optimalizátoru pro 3 B vah, je to zmrazená páteř plus aktivace. Varianty se sníženým rozsahem klesají níže: cesta LoRA od openpi vyžaduje 22.5 GB a jmenuje 4090, a pracovní postup NVIDIA Isaac Lab Arena uvádí možnost jedné GPU s 24 GB pro GR00T po tréninku. Platforma se dělí na úrovně podle minimálních požadavků, které každý dodavatel zveřejňuje pro konfiguraci, kterou skutečně provozuje. Popis pi0 flow-matching vysvětluje, odkud pochází tato flow-matching stopa.

Tato tabulka je důvodem, proč platforma rozděluje pět modelů do dvou úrovní. GR00T N1.7, GR00T N1.5 a Pi0.5 jdou na A100 80 GB nebo H100, protože to je to, co dodavatelé požadují. SmolVLA a ACT jdou na RTX 4090 nebo jakoukoli 24 GB kartu, protože to je skutečně dost.

Jak dlouho skutečně běží každý z pěti modelů

Doba běhu je druhou polovinou nákladů: 2.00 USD za hodinu je irelevantní, pokud práce trvá 40 minut, a zničující, pokud trvá 40 hodin. Toto jsou výchozí nastavení, která AY-Robots skutečně posílá trenérovi, včetně časového okna běhu a nákladů pro každou úroveň.

Odkud pocházejí tato okna běhu z nadřazeného zdroje

• SmolVLA: dokumentace lerobot uvádí, že 20 000 kroků trvá přibližně 4 hodiny na jedné A100. Platforma spouští stejných 20 000 kroků na levnější úrovni s 24 GB, proto se jedná o okno běhu spíše než o pevné 4 hodiny.
• ACT: původní článek ALOHA uvádí přibližně 5 hodin na jedné 11 GB RTX 2080 Ti pro model s 80M parametry. 4090 je o několik generací novější, ale platforma počítá se 100 000 kroky, takže okno běhu se nachází na stejném místě.
• GR00T: referenční pracovní postup NVIDIA pro generaci N1.6 uvádí přibližně 4 až 8 hodin pro 20 000 kroků při dávce 24 na osmi kartách L40S a 2 až 3 hodiny pro 30 000 kroků při dávce 16 na jedné Ada 6000. Jemné doladění 3B VLA na jedné kartě během několika hodin je normální, nikoli optimistické.
• Pi0.5: openpi nezveřejňuje žádný údaj o reálném čase (wall-clock), ale zveřejňuje minimální požadavek 70 GB pro kompletní jemné doladění, což určuje kartu a tím i rychlost.

Stojí za to se pozastavit nad číslem, které neplatíte. Článek GR00T N1 uvádí přibližně 50 000 H100 GPU hodin pro předtrénování 2.2B modelu na klastru až 1024 GPU, s velikostí dávky pro předtrénování 16 384 pro 200 000 gradientních kroků. Při výše naměřené ceně 1.34 až 2.34 USD za hodinu se jedná o pronajatý výpočetní výkon v řádu 67 000 až 117 000 USD. Článek SmolVLA uvádí svůj projekt na přibližně 30 000 GPU hodinách napříč 481 komunitními datovými sadami, 22.9K epizodami a 10.6M snímky. Všechno to zdědíte za cenu stažení; vašich 8 USD kupuje posledních 20 000 kroků. Proč jsou VLA modely stavěny tímto způsobem pokrývá toto rozdělení.

Rameno: jednorázové náklady, které zastiňují účet za GPU

Tréninkový běh stojí méně než oběd. Robot nikoli. Proto je SO-100 důležitý: je to nejlevnější rameno, které celá učení napodobováním sada nástrojů skutečně podporuje.

Seznam materiálu (BOM) v repozitáři SO-ARM100 je podrobnější a stojí za to ho zkontrolovat s ohledem na váš region: jeho Díly pro dvě ramena seznam činí celkem 229.88 USD nebo 226.30 EUR pro sestavu leader plus follower, a jeho Díly pro jedno rameno follower seznam činí celkem 121.94 USD nebo 124.30 EUR. Šest serv STS3215 po 13.89 USD za kus tvoří 83.34 z těchto 121.94, takže serva jsou rameno. Při ceně 1 až 3 USD za běh SmolVLA nebo ACT má jeden pár ramen hodnotu mezi 77 a 230 tréninkovými běhy. Pokud stále vybíráte, SO-100 proti SO-101 je srovnání, na kterém záleží, protože obě jsou si dostatečně podobné, takže rozhodnutí je spíše o dostupnosti než o schopnostech.

Lidské hodiny: položka, kterou nikdo nedává do tabulky

Toto je číslo, které obrací diskuzi o nákladech naruby. Záznam demonstrací je člověk pohybující robotickým ramenem, jednu epizodu po druhé, v reálném čase. Nelze to dávkovat ani pronajímat po sekundách. datová sada LeRobot rekordér se dodává s výchozími nastaveními, která usnadňují aritmetiku, všechna tři potvrzená v DatasetRecordConfig: 60 sekund na epizodu, 60 sekund na resetování scény, 50 epizod. Sloupec s penězi níže předpokládá 15 USD za hodinu něčího času, což je spíše předpoklad než číslo platformy. Nahraďte si vlastní sazbu; jde o poměr.

1. 1
   Nahrajte datovou sadu s výchozími nastaveními, za která vám bude skutečně účtováno

   Toto je lerobot 0.6.1, verze na PyPI k 3. srpnu 2026. Všimněte si tvaru CLI: nahrávání probíhá přes vstupní bod konzole lerobot-record (lerobot.scripts.lerobot_record), nikoli starou cestu modulu python -m lerobot.scripts.record. AY-Robots cílí na verzi 0.5.1, a wheel 0.5.1 deklaruje stejné vstupní body lerobot-record a lerobot-train, takže níže uvedený tvar je stabilní napříč oběma verzemi. Tři časové příznaky jsou výchozí nastavení upstreamu, takže toto je také příkaz, který předpokládá aritmetika v následující tabulce.

   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
   Podívejte se, co jste nahráli, než si pronajmete jedinou minutu GPU

   Kontrola datové sady nestojí nula USD za hodinu. Objevení stejného problému z křivky ztráty stojí 2.00 USD za hodinu na úrovni H100 a řekne vám to o čtyři hodiny později. Nahrajte datovou sadu a projděte ji v prohlížeči LeRobot, nebo si prohlédněte adresář datových sad 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
   Trénujte a ujistěte se, že kontrolní bod přežije pod

   Pronajatý stroj je z definice dočasný, takže během běhu zapisujte kontrolní body někam trvale. Dva příznaky rozhodují o tom, zda si ponecháte to, za co jste zaplatili. --save_freq má výchozí hodnotu 20 000 kroků, takže výchozí běh SmolVLA s 20 000 kroky zapíše svůj první kontrolní bod, když je běh již u konce; snižte jej, než si pronajmete cokoli přerušitelného. --save_checkpoint_to_hub vyžaduje --policy.repo_id a neexistuje v lerobot 0.5.1, takže v této verzi zkopírujete výstupní adresář ze stroje sami. Velikost dávky níže je příklad z dokumentace upstreamu; formulář AY-Robots posílá 2 pro SmolVLA a zapisuje do objektového úložiště, jak se objevují kontrolní body.

   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

Porovnejte pravý sloupec s náklady na spuštění ve výši 1 až 12 USD. Při této předpokládané sazbě stojí datová sada o 50 epizodách dvakrát až sedmkrát více nahrávání než trénování, a to před kalibrací, nastavením kamery a epizodami, které vyřadíte. Proto má přímou peněžní hodnotu. Průvodce lerobot doporučuje alespoň 50 epizod s 10 na každé umístění objektu; dokumentace SmolVLA uvádí, že 25-epizodová verze stejného úkolu nebyla dostatečná.

Kde se peníze skutečně ztrácejí

1. Spuštění na datech, která nikdy neměla fungovat

Spuštění GR00T s 20 000 kroky na datové sadě se dvěma prohozenými kamerovými streamy stojí stejně jako na čisté datové sadě, trvá stejnou dobu a produkuje křivku ztráty, která vypadá v pořádku. Selhání se projeví na rameni o hodiny později. jsou účtovány hodinově a diagnostika je účtována v dnech. Dva příznaky, které stojí za zapamatování: obvykle znamená, že pozorování nenesou to, co úkol potřebuje, a znamená, že datová sada měla méně variací, než jste si mysleli.

2. Placení cen za základní modely pro úlohu s pevnou kamerou

ACT má zhruba 80M parametrů a byl navržen pro trénink od nuly na 50 demonstracích jedné úlohy. GR00T N1.7 má zhruba 3B s předtrénovanou páteří. Pro pevně uchycenou kameru, pevný stůl a jeden objekt se model s 80M parametry často dostane k cíli, běží přibližně 20 ms na akční krok namísto 152 ms a stojí 1 až 3 USD za běh namísto 4 až 12. Utraťte 3 USD za zjištění, zda levný model funguje, než utratíte 12 USD za ten drahý. ACT proti SmolVLA a GR00T N1.7 proti Pi0.5 ukazují, kde každý přestává být správnou odpovědí; modelová aréna má 85 modelů a 332 výsledků benchmarků.

3. GPU, na které jste zapomněli

Nejlevnější chyba, které lze předejít, a nejčastější, kterou lze udělat. Instance spuštěná v pátek za účelem ladění se účtuje přes víkend stejnou sazbou jako skutečný běh.

Na AY-Robots je toto selhání pro inferenci eliminováno: pody zřízené inferenčním API obsahují hlídače nečinnosti a po určité době nečinnosti se samy zničí. Pokud si kartu pronajímáte sami, je tento hlídač vaší připomínkou v kalendáři.

4. Dvojí platba za stejnou odpověď

Vstupní bod pro jemné doladění GR00T je tyro CLI, které neexponuje žádné semeno. To není omezení platformy, je to nástroj od dodavatele: v gr00t/configs/finetune_config.py, a vlastní tréninkové tipy repozitáře varují, že běhy se liší o 5 až 6 procent, protože augmentace obrazu jsou nedeterministické. lerobot ve výchozím nastavení používá semeno 1000 v verzích 0.5.1 i 0.6.1, takže běhy ACT, SmolVLA a Pi0.5 lze alespoň znovu spustit se stejnou inicializací a pořadím dat. To není příslib bitově identických vah na GPU, ale je to rozdíl mezi opětovným spuštěním a novým experimentem. Pokud běh GR00T vytvoří funkční politiku a vy jste si neuchovali kontrolní bod, zaplatíte plnou cenu za výsledek, který se může lišit více než rozdíl, který jste sledovali. Existuje druhý způsob, jak ztratit kontrolní bod, za který jste zaplatili: CLI ve výchozím nastavení používá --save-total-limit 5, což je dokumentováno jako maximální počet uchovávaných kontrolních bodů před smazáním starších. Úložiště stojí centy; opětovné spuštění je 4 až 12 USD a šest hodin.

Dělat to svépomocí versus nechat platformu pronajmout kartu

# 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>

Co platforma účtuje a jak vybírá kartu

Logika je záměrně nudná. Každý model v katalogu, deklaruje úroveň GPU; backend vezme požadovanou VRAM a pronajme odpovídající kartu na stejném spotovém trhu, jak je uvedeno výše. Proto je uvedená cena rozsah, nikoli pevná cena. GR00T a Pi0.5 jsou zde pouze cloudové kvůli minimálním požadavkům 40 GB a 70 GB. SmolVLA a ACT také běží lokálně na vaší vlastní 24 GB kartě, kde jsou cloudové náklady nulové a elektřina je váš problém.

Jedno nastavení si zaslouží upozornění. Akumulace gradientů se skutečně vztahuje na obě varianty GR00T, takže jejím zvýšením získáte větší efektivní dávku na stejné kartě. Pro Pi0.5 a SmolVLA se vůbec nepoužívá: lerobot 0.5.1 nemá ve své tréninkové konfiguraci možnost akumulace gradientů, takže nastavení pole na 16 nic nestojí a nic nepřináší. Pokud se zařazená úloha nikdy nespustí, stránka o úlohách zaseknutých ve frontě popisuje, co zkontrolovat; pokud je datová sada odmítnuta před zahájením spuštění, je to téměř vždy problém s formátem v3.0.

Propracovaný rozpočet pro první funkční politiku

Všechny čtyři řádky dohromady, začínající od nuly. Celkový součet GPU předpokládá 3 až 5 spuštění: první prokáže funkčnost pipeline, druhé odhalí problém s daty, třetí nebo čtvrté je to, které si ponecháte.

Vzorec platí i pro tuto velikost robota: výpočetní výkon je zaokrouhlovací chyba, hardware je skutečný jednorázový náklad, lidské hodiny jsou opakující se výdaje. Chcete-li otestovat tréninkovou část, než cokoli koupíte, vám umožní porovnat modely a pronajmout si GPU bez ramene, a je fyzický SO-100, který můžete ovládat v prohlížeči bez registrace. Pro celý end-to-end pipeline, pokrývá nastavení, a trénink, a je krátká verze.