Kterou VLA politiku byste měli trénovat v roce 2026?

Dnes je na rameni třídy SO-100 trénovatelných pět politik. Liší se faktorem 24 v latenci inference, 37 v počtu parametrů a 12 v nákladech na spuštění, a také v tom, zda smíte výsledek expedovat. Pět modelových karet to nevyřeší: žádná neodpovídá na otázku, kterou máte, kterou spustit jako první?

Každé číslo níže bylo převzato z článků, repozitářů a karet v srpnu 2026. Čísla platformy pocházejí z AY-Robots katalog politik; kde se obě neshodují, jsou zobrazeny obě.

Rozhodovací tabulka

Pět kandidátů

Všech pět jsou politiky: snímky z kamery, pozice kloubů a, pro čtyři z nich, jazyková instrukce, mapovaná na část budoucích cílů kloubů. Co je odlišuje, je, kolik toho bylo naučeno, než jste dorazili.

GR00T N1.7

Aktuální model NVIDIA vizuálně-jazykově-akční model, s přibližně 3 miliardami parametrů, z nichž zhruba 40 milionů bylo trénováno během jemného ladění. Repozitář uvádí rozdíly oproti N1.6: páteřní síť z dodaného modelu Eagle na Cosmos-Reason2-2B na Qwen3-VL, difuzní vrstvy z 32 na 16, dimenze stavu a akce z 29 na 132, akční horizont z 16 na 40.

U malého ramene je důležitý relativní akční prostor koncového efektoru: N1.7 předpovídá rozdíly od aktuální pozice, což umožňuje přenos 20K hodin lidského videa EgoScale do robotické politiky. Specifikace na stránce N1.7, postup v průvodci N1.7 na SO-100.

GR00T N1.5

Stejná škála 3 B, páteř Eagle 2, SigLip2 a T5, hlava DiT s flow-matching. Existuje k rozšíření , který již máte. Dvě věci z něj dělají špatnou výchozí volbu: váhy nesou jednosměrnou nekomerční licenci NVIDIA a aktuální vydání LeRobot odstranila podporu N1.5. Viz .

Pi0.5

VLA od Physical Intelligence s VLA, typ politiky pi05. Článek popisuje 2 B VLM inicializovaný z PaliGemma plus 300 M akční expert, řídící robota na 50 Hz; konfigurace pi05 LeRobotu standardně používá 50krokový blok, jednu sekundu při této rychlosti. Prodejním argumentem jsou neviděná místa: přibližně 400 hodin mobilní manipulace ve skutečných domácnostech a studie škálování přes 3, 12, 22, 53, 82 a 104 lokací, kde model se 104 lokacemi odpovídal kontrole trénované na samotných testovacích domácnostech.

Jedno omezení, uvedené na lerobot/pi05_base kartě: port přenáší pouze tokem odpovídající action head. Predikce podúkolů, tokenizace akcí a RL nebyly uvolněny upstream, a openpi uvádí totéž o svém vlastním repozitáři. Stránka Pi0.5 a průvodce Pi0.5 na SO-100 mají zbytek.

SmolVLA

450 M parametrů, asi 100 M v akčním expertovi, na SmolVLM-2 s VLM zmrazeným a pouze jeho prvních 16 vrstev jazykového modelu. Předtrénink proběhl na komunitních datech: 481 datových sad, 10.6 M snímků, ze stejných levných ramen, která používáte. Jediný VLA zde, který se vejde na jednu 24 GB kartu, a jediný s 30 epizod podlahou. Viz stránka SmolVLA.

ACT

Není to základní model. Action Chunking Transformer z ALOHA má přibližně 80 milionů parametrů trénovaných od nuly pro každý úkol, na 50 demonstracích při 50 Hz. Článek uvádí šest skutečných bimanálních úkolů zhruba z deseti minut demonstrací každý, s úspěšností 80 až 90 procent u příkladů, které zdůrazňuje. Jeho myšlenka, chunkování akcí, je v každém modelu na této stránce a jeho ablace stále nejlépe měří účinek: u dvou simulovaných úkolů s vypnutým časovým ensemblingem se úspěšnost zvyšuje z 1 procenta při k=1 na 44 procent při k=100. Stránka ACT obsahuje zbytek.

Co benchmarky skutečně říkají

LIBERO je jediný benchmark, o kterém referují tři z těchto pěti: jazykově podmíněné úkoly na simulovaném robotu Franka Panda, rozdělené do čtyř níže uvedených sad po deseti úkolech. NVIDIA provedla 200 pokusů na sadu.

SimplerEnv ukazuje rozptyl, což LIBERO ne. NVIDIA porovnává N1.7 s N1.6, což je nejbližší veřejná věc k generačnímu rozdílu.

Řádek Bridge je ten užitečný: v průměru získal 5,7 bodu, zatímco put_eggplant_in_basket ztratil 36 a put_eggplant_in_sink klesl z 33 na 2. Nová generace posouvá distribuci spíše než ji zvedá, takže pokud váš úkol spadá tam, kde N1.7 regredoval, průměr nic neříká.

Z pěti pouze článek SmolVLA uvádí rameno třídy SO-100: 78,3 procenta pro SmolVLA a 61,7 pro Pi0 napříč třemi úkoly, oba víceúlohové, oproti 48,3 pro ACT trénovaný jednoúlohově, což není srovnatelné. Čisté srovnání je obojí jednoúlohové na SO-101 pick-and-place: 90 proti 70 v distribuci, 50 proti 40 mimo ni. Porovnejte na ACT proti SmolVLA a Pi0.5 proti SmolVLA, nebo si prohlédněte arénu.

Latence a náklady rozhodují o nasazení

Latence inference je omezení, které lidé objeví jako poslední a litují jako první. Politika o pět bodů lepší v benchmarku, ale s půlsekundovou prodlevou na krok akce, vypadá na vašem stole hůře: dynamika kontaktu nečeká.

Jedna výhrada: údaj GR00T se neshoduje s kartou NVIDIA, která měří 4 kroky odšumění a jednu kameru na 85.8 ms na H100 v eager režimu, 48.6 ms s torch.compile, 27.9 ms přes plný TensorRT. Zde uvedených 152 ms je údaj pro celý stack s režijními náklady na obsluhu a více než jednou kamerou, nikoli jen pro forward pass.

Jeden způsob, jak získat čas bez změny modelu: článek SmolVLA měří synchronní provádění, kde politika dokončí jeden blok před predikcí dalšího, oproti asynchronnímu, kde se predikce překrývá s prováděním. Úspěšnost je podobná, 78.3 proti 73.3, ale stejné pick-and-place trvá 9.7 sekundy místo 13.75, a v pevném okně robot zvládne 19 cyklů místo 9.

Licence, zkontrolováno, protože je nikdo nekontroluje

Řádek Pi0.5 vyžaduje pozornost. Dokumentace LeRobot pi05 uvádí Apache 2.0 v souladu s openpi, zatímco karta Hub pro lerobot/pi05_base nese license: gemma. Obě jsou aktivní. GR00T N1.7 má mírnější verzi: README soubor Isaac-GR00T mimochodem uvádí, že N1.7 je plně komerčně licencovatelný pod Apache 2.0, zatímco jeho vlastní licenční sekce a karta modelu umisťují pouze kód pod Apache 2.0 a váhy pod NVIDIA Open Model License.

Výchozí nastavení, která skutečně spustíte

Každá forma tréninku obsahuje výchozí nastavení, která nejsou libovolná. Nastavení ACT jsou vlastní LeRobotu: dávka 8, lr 1e-5, 100000 tréninkových kroků, velikost bloku 100, odpovídající ACTConfig upstream a k=100 from the ACT paper. Jeden sloupec níže je past.

Parametr, který je důležitější než volba modelu

Jedná se o akční blok. Delší bloky poskytují plynulejší pohyb a méně kumulativních chyb, ale politika je závazná po dobu provádění bloku, takže reaguje pozdě na cokoli, co se pohybuje: je si jistá na statické kostce, beznadějná na té valící se. Pokud přejede cíl, zkrácení provedené části je lepší než přeškolení a je zdarma. Kloub, který se zastaví předčasně, je jiný problém; viz .

• ACT: ACTConfig má výchozí nastavení chunk_size 100 a n_action_steps 100. Časové ensembling je vypnuto a vyžaduje n_action_steps 1.
• GR00T N1.7: interní horizont se změnil z 16 na 40, přesto LeRobot's SO-101 example stále spouští --policy.chunk_size=16 --policy.n_action_steps=16. Příznak pro rollout byl přejmenován na --execution-horizon.
• Pi0.5: 50krokový blok, z něhož recept LeRobot's LIBERO provádí 10 pomocí --policy.n_action_steps=10; s --policy.pretrained_path se vrátí na 50, pokud příznak vynecháte.
• SmolVLA: 50akční bloky, oba ovladače jsou přístupné.

Jak prověřit všech pět za jedno odpoledne

Nejlevnější odpovědí není více čtení. Utraťte asi 15 USD a nechte rameno, ať vám to řekne: nahrajte jednou, nejprve trénujte levný model, eskalujte, jakmile se data prokážou jako spolehlivá. Struktura vítězí nad objemem, což je smyslem a .

1. 1
   Zaznamenejte 50 epizod najednou

   Padesát epizod připravuje půdu pro GR00T, Pi0.5 a ACT, a 30 epizod pro SmolVLA. Opakujte každou variaci, místo abyste se rozptylovali: 50 epizod napříč 5 pozicemi kostky bylo trénováno tam, kde 25 nebylo. Viz zaznamenejte svůj první dataset.

   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
   Nejprve trénujte ACT, protože vám nemůže lhát

   Žádné předtrénované váhy, takže pokud úkol vůbec splní, váš dataset úkol obsahuje. Pokud ACT stagnuje, opravte data. 1 až 3 USD, 2 až 5 hodin na 24 GB kartě.

   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
   Spusťte SmolVLA na stejném datasetu, beze změn

   Stejná data, stejné rameno, 450 M parametrů místo 80 M, plus jazykové podmínění. LeRobot odhaduje běh 20K kroků na zhruba 4 hodiny na jedné A100. To vám řekne, zda předtrénování něco přináší.

   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
   Převeďte na v2.1, než se dotknete GR00T

   GR00T čte variantu formátu LeRobot v2 plus dodatečný soubor meta/modality.json, který mapuje, jak se zřetězené pole stavů a akcí rozdělují do pojmenovaných polí. Dataset v3.0 tento loader zhroutí, protože v3.0 balí mnoho epizod do sdílených souborů, zatímco v2 zapisoval jednu na epizodu. Isaac-GR00T dodává pomocníka pro downgrade jako scripts/lerobot_conversion/convert_v3_to_v2.py; stránka o odmítnutí v3 je rychlá cesta.

   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
   Přejděte na GR00T N1.7 pouze v případě, že první dva modely něco zanechaly na stole

   Prostřednictvím CLI od NVIDIA, zde zobrazeného, nebo typu politiky groot od LeRobot. NVIDIA doporučuje 40 GB nebo více VRAM pro jemné doladění, 16 GB pro inferenci. Při OOM viz stránka OOM.

   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 způsoby, jak spustit tento screeningový průchod

# 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

Základní model nebo od nuly

Skutečná volba není, který 3B model vybrat. Jde o to, zda vůbec použít předtrénovaný VLA, vzhledem k tomu, že ACT se naučil šest skutečných bimanálních úloh z přibližně deseti minut demonstrací každá, s 80 M parametry a bez jakéhokoli předtrénování.

Případ reprodukce starého běhu

Snaha o dosažení checkpointu z roku 2025 za vás vyřeší výběr modelu a změní problém na fixaci verze: aktuální LeRobot odmítá N1.5, takže fixujete lerobot==0.5.1. Bez pole pro seed a s 5 až 6 procentní variabilitou mezi běhy je reprodukce z podstaty přibližná. Průvodce N1.5 na SO-100 a stránka zásad N1.5 mají platformní stranu.

Zůstaly dva? ACT proti GR00T N1.7 a GR00T N1.7 proti SmolVLA. Nezpracované řádky jsou v záznamech arény: GR00T N1.7, Pi0.5, SmolVLA a ACT.

Kde vám tato platforma nepomůže

• Nemůže zrychlit vzdálenou inferenci. Smyčka 20 to 485 ms patří modelu; internetové odezvy k tomu přispívají.
• Nemůže doladit GR00T nebo Pi0.5 na vašem vlastním hardwaru. Oba jsou zde pouze cloudové; lokálně běží pouze SmolVLA a ACT.
• Nemůže opravit datovou sadu. Ztráta klesá, ale politika nic nedělá je problém s daty, politika, která funguje pouze v jednom nastavení je problém s pokrytím.
• Nemůže zajistit reprodukovatelnost běhů GR00T: upstream konfigurace nemá pole pro seed.

Vybrat si jeden a pokračovat

Jeden výchozí stav: zaznamenejte 50 epizod, trénujte ACT za 1 až 3 USD k ověření datové sady, poté SmolVLA na stejných datech. Dohromady pod 6 USD a odpoví na důležitou otázku: zda zde pomáhá předtrénování, nebo zda je úzkým hrdlem data. Eskalujte na GR00T N1.7 pro vícestupňové úlohy s bohatým kontaktem, na Pi0.5, když se scéna mění.

Prohlídka platformy: natrénujte svou první politiku, poté spusťte svou první politiku. dokumentace k trénování a dokumentace k datovým sadám pokrývají formu a formát; stránka SO-100 a kompletní průvodce SO-100 pokrývají sestavení a kalibraci. Pozadí: přehled VLA a článek o Pi0 flow-matching. Ten, který posune vaši úspěšnost, je průvodce kvalitou dat.