Hvilken VLA-politik skal du træne i 2026?

Fem politikker kan trænes på en SO-100-klassearm i dag. De adskiller sig med en faktor 24 i inferens latens, 37 i antal parametre og 12 i, hvad en kørsel koster, og i, om du må levere resultatet. Fem modelkort vil ikke afgøre det: ingen besvarer det spørgsmål, du har, hvilken skal jeg køre først?

Hvert tal nedenfor blev læst ud af artiklerne, repos og kortene i august 2026. Platformnumre kommer fra AY-Robots politik-katalog; hvor de to er uenige, vises begge.

Beslutningstabellen

De fem kandidater

Alle fem er politikker: kamerabilleder, ledpositioner og, for fire af dem, en sproginstruktion, der er kortlagt til en del af fremtidige ledmål. Det, der adskiller dem, er hvor meget der blev lært, før du ankom.

GR00T N1.7

NVIDIAs nuværende syns-sprog-handlingsmodel, ca. 3 mia. parametre, hvoraf ca. 40 mio. er trænet under finjustering. Repositoryet angiver deltaerne fra N1.6: backbone fra en Eagle-model fra tredjepart til Cosmos-Reason2-2B på Qwen3-VL, diffusionslag 32 til 16, tilstands- og handlingsdimensioner 29 til 132, handlingshorisont 16 til 40.

Hvad der betyder noget på en lille arm, er det relative handlingsrum for end-effektoren: N1.7 forudsiger deltaer fra den nuværende position, hvilket er det, der lader 20K timers EgoScale menneskelig video overføres til en robotpolitik. Specifikationer på N1.7-siden, procedure i N1.7 på SO-100 guiden.

GR00T N1.5

Samme 3 B skala, Eagle 2 backbone, SigLip2 og T5, flow-matching DiT head. Den eksisterer for at udvide et du allerede har. To ting gør den til et dårligt standardvalg: vægtene bærer NVIDIAs ensrettede ikke-kommercielle licens, og nuværende LeRobot-udgivelser har fjernet N1.5-understøttelse. Se .

Pi0.5

Physical Intelligences VLA, politiktype pi05. Artiklen beskriver en 2 B VLM initialiseret fra PaliGemma plus en 300 M handlings-ekspert, der driver robotten med 50 Hz; LeRobots pi05-konfiguration er som standard en 50-trins chunk, et sekund ved den hastighed. Salgsargumentet er usete steder: omkring 400 timers mobil manipulation i rigtige hjem, og en skaleringsundersøgelse over 3, 12, 22, 53, 82 og 104 lokationer, hvor 104-lokationsmodellen matchede en kontrol trænet på testhjemmene selv.

Én begrænsning, angivet på lerobot/pi05_base kortet: porten bærer kun det flow-matchende action head. Subtask-forudsigelse, action-tokenisering og RL blev ikke frigivet upstream, og openpi siger det samme om sit eget repository. Pi0.5-siden og guiden til Pi0.5 på SO-100 har resten.

SmolVLA

450 M parametre, omkring 100 M i action-eksperten, på SmolVLM-2 med VLM frosset og kun dens første 16 sprogmodel-lag brugt. Forudtræning var fællesskabsdata: 481 datasæt, 10.6 M frames, fra de samme billige arme, du bruger. Den eneste VLA her, der passer til ét 24 GB kort, og den eneste med 30 episode gulv. Se SmolVLA-siden.

ACT

Ikke en grundmodel. Action Chunking Transformer fra ALOHA er omkring 80 M parametre trænet fra bunden per opgave, på 50 demonstrationer ved 50 Hz. Artiklen rapporterer seks virkelige bimanuelle opgaver fra cirka ti minutter af demonstrationer hver, med 80 til 90 procent på de eksempler den fremhæver. Dens idé, handlingssegmentering, er i enhver model på denne side, og dens ablation måler stadig effekten bedst: over to simulerede opgaver med temporal ensembling slået fra, succesraten stiger fra 1 procent ved k=1 til 44 procent ved k=100. ACT-siden har resten.

Hvad benchmarks faktisk siger

LIBERO er den ene benchmark, som tre af disse fem rapporterer om: sprogkonditionerede opgaver på en simuleret Franka Panda, opdelt i de fire suiter nedenfor med ti opgaver hver. NVIDIA kørte 200 forsøg per suite.

SimplerEnv viser spredningen, hvilket LIBERO ikke gør. NVIDIA sammenligner N1.7 med N1.6, det nærmeste offentlige til en generationel delta.

Bridge-rækken er den nyttige: 5,7 point opnået i gennemsnit, mens put_eggplant_in_basket tabte 36, og put_eggplant_in_sink faldt fra 33 til 2. En ny generation flytter distributionen snarere end at løfte den, så hvis din opgave ligger, hvor N1.7 er regredieret, siger gennemsnittet intet.

Af de fem rapporterer kun SmolVLA-artiklen om en SO-100-klassearm: 78,3 procent for SmolVLA og 61,7 for Pi0 på tværs af tre opgaver, begge multi-task, mod 48,3 for ACT trænet single-task, hvilket ikke er æbler og pærer. Den rene parring er begge single-task på SO-101 pick-and-place: 90 mod 70 i distribution, 50 mod 40 uden for den. Sammenlign på ACT mod SmolVLA og Pi0.5 mod SmolVLA, eller gennemse arenaen.

Latenstid og omkostninger afgør implementering

Inference-latens er den begrænsning, folk opdager sidst og fortryder først. En politik, der er fem point bedre på en benchmark, men et halvt sekund per handlingstrin, ser værre ud på dit skrivebord: kontaktdynamik venter ikke.

Én forbehold: GR00T-tallet stemmer ikke overens med NVIDIAs kort, som måler 4 denoising-trin og ét kamera til 85,8 ms på en H100 i eager mode, 48,6 ms med torch.compile, 27,9 ms gennem fuld TensorRT. De 152 ms her er et tal for hele stacken med serving overhead og mere end ét kamera, ikke et forward pass.

Én måde at vinde tid på uden at ændre model: SmolVLA-artiklen måler synkron udførelse, hvor politikken afslutter en del, før den forudsiger den næste, mod asynkron, hvor forudsigelse overlapper udførelse. Succesen er ens, 78,3 mod 73,3, men den samme pick-and-place tager 9,7 sekunder i stedet for 13,75, og i et fast vindue klarer robotten 19 cyklusser i stedet for 9.

Licenser, kontrolleret fordi ingen kontrollerer dem

Rækken for Pi0.5 kræver opmærksomhed. LeRobot pi05-dokumentationen angiver Apache 2.0 i overensstemmelse med openpi, mens Hub-kortet for lerobot/pi05_base indeholder license: gemma. Begge er aktive. GR00T N1.7 har en mildere version: Isaac-GR00T README nævner i forbifarten, at N1.7 er fuldt kommercielt licenserbar under Apache 2.0, mens dens egen licenssektion og modelkort kun placerer koden under Apache 2.0 og vægtene under NVIDIA Open Model License.

Standardindstillingerne du faktisk vil køre

Hver trænerform leveres med en standard, og de er ikke vilkårlige. ACT's er LeRobot's egne: batch 8, lr 1e-5, 100000 træningstrin, chunk size 100, matching ACTConfig upstream and k=100 from the ACT paper. Én kolonne nedenfor er en fælde.

Den indstilling, der betyder mere end modelvalget

Det er handlingsklumpen. Længere klumper giver jævnere bevægelse og færre akkumulerende fejl, men politikken er fastlagt, mens blokken udføres, så den reagerer sent på alt, der bevæger sig: selvsikker på en statisk terning, håbløs på en rullende. Hvis den overskyder, er forkortelse af den udførte del bedre end genoptræning og er gratis. Et led, der stopper for tidligt, er et andet problem; se .

• ACT: ACTConfig standardindstiller til chunk_size 100 og n_action_steps 100. Temporal ensembling er slået fra og kræver n_action_steps 1.
• GR00T N1.7: intern horisont gik fra 16 til 40, men LeRobots SO-101 eksempel kører stadig --policy.chunk_size=16 --policy.n_action_steps=16. Rollout-flagget blev omdøbt til --execution-horizon.
• Pi0.5: en 50-trins klump, hvoraf LeRobots LIBERO-opskrift udfører 10 via --policy.n_action_steps=10; med --policy.pretrained_path falder den tilbage til 50, hvis du udelader flaget.
• SmolVLA: 50-handlingsklumper, begge indstillinger eksponeret.

Sådan screener du alle fem på én eftermiddag

Det billigste svar er ikke mere læsning. Brug omkring 15 USD og lad armen fortælle dig: optag én gang, træn den billige model først, eskaler når den har bevist, at dataene er solide. Struktur slår volumen, pointen med og .

1. 1
   Optag 50 episoder én gang

   Halvtreds rydder gulvet for GR00T, Pi0.5 og ACT, og SmolVLAs 30. Gentag hver variation i stedet for at sprede tyndt: 50 episoder på tværs af 5 terningpositioner trænet, hvor 25 ikke gjorde. Se optag dit første datasæt.

   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
   Træn ACT først, for den kan ikke lyve for dig

   Ingen fortrænede vægte, så hvis den overhovedet udfører opgaven, indeholder dit datasæt opgaven. Hvis ACT flader ud, skal dataene rettes. 1 til 3 USD, 2 til 5 timer på et 24 GB kort.

   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
   Kør SmolVLA på det samme datasæt, uændret

   Samme data, samme arm, 450 M parametre i stedet for 80 M, plus sprogkonditionering. LeRobot anslår en 20K-trins kørsel til cirka 4 timer på en A100. Dette er, hvad der fortæller dig, om fortræning giver noget.

   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
   Konverter ned til v2.1, før du rører GR00T

   GR00T læser en variant af LeRobot v2-formatet plus en ekstra meta/modality.json, der mapper, hvordan sammenkædede tilstands- og handlingsarrays opdeles i navngivne felter. Et v3.0-datasæt får den loader til at crashe, fordi v3.0 pakker mange episoder i delte filer, hvor v2 skrev én per episode. Isaac-GR00T leverer nedgraderingshjælperen som scripts/lerobot_conversion/convert_v3_to_v2.py; v3-afvisningssiden er den hurtige vej.

   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
   Eskaler til GR00T N1.7 kun hvis de første to efterlod noget på bordet

   Via NVIDIAs CLI, vist her, eller LeRobots groot policy-type. NVIDIA anbefaler 40 GB eller mere VRAM til finjustering, 16 GB til inferens. Ved en OOM, se OOM-siden.

   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

To måder at køre den screening på

# 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

Grundmodel eller fra bunden

Den virkelige udfordring er ikke, hvilken 3 B-model man skal vælge. Det er, om man overhovedet skal bruge en fortrænet VLA, givet at ACT lærte seks virkelige bimanuelle opgaver fra omkring ti minutters demonstrationer hver, med 80 M parametre og intet fortrænet.

Tilfældet med at reproducere en gammel kørsel

At jagte et 2025-checkpoint træffer modelvalget for dig og gør problemet til versionsfastgørelse: nuværende LeRobot afviser N1.5, så du fastgør lerobot==0.5.1. Uden et seed-felt og 5 til 6 procents varians mellem kørsler er reproduktionen omtrentlig per konstruktion. N1.5 på SO-100 guiden og N1.5 politikside har platformsiden.

Nede på to? ACT mod GR00T N1.7 og GR00T N1.7 mod SmolVLA. Rå rækker findes i arena-indgangene: GR00T N1.7, Pi0.5, SmolVLA og ACT.

Hvor denne platform ikke hjælper dig

• Den kan ikke gøre fjerninferens hurtig. Løkken på 20 til 485 ms tilhører modellen; internet-roundtrips lægger til.
• Den kan ikke finjustere GR00T eller Pi0.5 på din egen hardware. Begge er kun cloud-baserede her; kun SmolVLA og ACT kører lokalt.
• Den kan ikke rette et datasæt. Tabet falder, men politikken gør intet er et dataproblem, en politik, der kun virker i én opsætning er et dækningsproblem.
• Den kan ikke gøre GR00T-kørsler reproducerbare: den opstrøms konfiguration har intet seed-felt.

At vælge én og komme videre

Én standard: optag 50 episoder, træn ACT for 1 til 3 USD for at bevise datasættet, derefter SmolVLA på det samme data. Under 6 USD i alt, og de besvarer det spørgsmål, der betyder noget: om fortræning hjælper her, eller om flaskehalsen er dataene. Eskaler til GR00T N1.7 for kontaktintensive flertrinssopgaver, til Pi0.5 når scenen ændrer sig.

Platform gennemgang: træn din første politik, derefter kør din første politik. De træningsdokumenter og datasætdokumenter dækker form og format; SO-100 siden og den komplette SO-100 guide dækker opbygning og kalibrering. Baggrund: VLA-oversigten og Pi0 flow-matching artiklen. Den, der vil forbedre din succesrate, er guiden til datakvalitet.