Κόστος Εκπαίδευσης VLA: Τι Κοστίζει Πραγματικά μια Εκτέλεση Fine-Tuning

Ο λογαριασμός έχει τέσσερις γραμμές, και η GPU είναι η μικρότερη

Όταν οι άνθρωποι ρωτούν πόσο κοστίζει η λεπτομερής ρύθμιση ενός μοντέλου όρασης-γλώσσας-δράσης για ένα SO-100, σχεδόν πάντα εννοούν την ενοικίαση GPU. Αυτός είναι ο αριθμός που εμφανίζεται ως χρέωση σε μια κάρτα, οπότε είναι αυτός που φαίνεται πραγματικός. Είναι επίσης, με μεγάλη διαφορά, ο μικρότερος από τους τέσσερις αριθμούς που καθορίζουν τι πραγματικά κοστίζει μια λειτουργική πολιτική σε εσάς.

Οι χρόνοι εκπαίδευσης παρακάτω προέρχονται από τις εργασίες και τα αποθετήρια των πέντε μοντέλων, το κόστος υλικού από τον δημοσιευμένο κατάλογο υλικών, οι αριθμοί πλατφόρμας από τον AY-Robots κατάλογο πολιτικών και σελίδα τιμολόγησης. Όπου η πλατφόρμα δεν βοηθά, αυτό το άρθρο το αναφέρει.

Τι κοστίζει πραγματικά μια ώρα GPU στην αγορά spot

Δεν υπάρχει ενιαία τιμή για μια ώρα A100. Σε μια αγορά όπως το vast.ai, κάθε πάροχος ορίζει τη δική του τιμή, και η εκτέλεση εκπαίδευσης που εκκινείτε προσγειώνεται σε όποια μηχανή είναι φθηνή και διαθέσιμη εκείνη τη στιγμή. Η ειλικρινής απάντηση είναι μια κατανομή. Εδώ είναι, μετρημένη στις 23 Αυγούστου 2026 στις 13:44 UTC: μεμονωμένες πλήρεις κάρτες, κατ' απαίτηση, φιλτραρισμένες με βάση την πραγματική 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

Γιατί τα μοντέλα 3B δεν μπορούν να χρησιμοποιήσουν τη φθηνή κάρτα

Μια ώρα 4090 και μια ώρα H100 80 GB διαφέρουν περίπου έξι φορές στις παραπάνω διάμεσες τιμές. Αυτό που σας αναγκάζει να χρησιμοποιήσετε την ακριβή κάρτα δεν είναι η ταχύτητα, είναι η μνήμη. Το openpi ορίζει το κατώτατο όριο για ένα πλήρες Pi0.5 λεπτομερής ρύθμιση στα 70 GB, και η NVIDIA συνιστά 40 GB ή περισσότερο για το GR00T. Σημειώστε τι δεν είναι ο αριθμός του GR00T. Η διαμόρφωση fine-tune του παγώνει το γλωσσικό μοντέλο και τον οπτικό κωδικοποιητή από προεπιλογή (tune_llm και tune_visual είναι False, ο προβολέας και η κεφαλή διάχυσης True), γι' αυτό ο κατάλογος αναφέρει περίπου 40 M εκπαιδευμένες παραμέτρους από 3 B. Τα 40 GB δεν είναι κατάσταση βελτιστοποιητή για βάρη 3 B, είναι ο παγωμένος κορμός συν τις ενεργοποιήσεις. Οι παραλλαγές μειωμένου εύρους πέφτουν χαμηλότερα: η διαδρομή LoRA του openpi απαιτεί 22.5 GB και αναφέρει την 4090, και η ροή εργασίας Isaac Lab Arena της NVIDIA αναφέρει μια επιλογή μονής GPU 24 GB για το GR00T μετά την εκπαίδευση. Η πλατφόρμα διαβαθμίζει με βάση το κατώτατο όριο που δημοσιεύει κάθε προμηθευτής για τη διαμόρφωση που πραγματικά εκτελεί. Η ανάλυση του pi0 flow-matching εξηγεί από πού προέρχεται αυτό το flow-matching αποτύπωμα.

Αυτός ο πίνακας εξηγεί γιατί η πλατφόρμα χωρίζει τα πέντε μοντέλα σε δύο κατηγορίες. GR00T N1.7, GR00T N1.5 και Pi0.5 χρησιμοποιούν A100 80 GB ή H100 επειδή αυτό ζητούν οι προμηθευτές. SmolVLA και ACT χρησιμοποιούν μια RTX 4090 ή οποιαδήποτε κάρτα 24 GB επειδή αυτό είναι πραγματικά αρκετό.

Πόσο χρόνο τρέχει πραγματικά κάθε ένα από τα πέντε μοντέλα

Ο χρόνος εκτέλεσης είναι το άλλο μισό του κόστους: 2.00 USD ανά ώρα είναι αδιάφορο αν η εργασία είναι 40 λεπτά και καταστροφικό αν είναι 40 ώρες. Αυτές είναι οι προεπιλεγμένες ρυθμίσεις που στέλνει πραγματικά η AY-Robots στον εκπαιδευτή, μαζί με το παράθυρο εκτέλεσης και το κόστος για κάθε βαθμίδα.

Από πού προέρχονται αυτά τα χρονικά παράθυρα εκτέλεσης στην ανάντη ροή

• SmolVLA: η τεκμηρίωση του lerobot αναφέρει ότι 20.000 βήματα διαρκούν περίπου 4 ώρες σε μία μόνο A100. Η πλατφόρμα εκτελεί τα ίδια 20.000 βήματα στην φθηνότερη βαθμίδα των 24 GB, εξ ου και ένα παράθυρο αντί για σταθερές 4 ώρες.
• ACT: η αρχική δημοσίευση ALOHA αναφέρει περίπου 5 ώρες σε μία μόνο 11 GB RTX 2080 Ti για ένα μοντέλο 80M παραμέτρων. Μια 4090 είναι αρκετές γενιές νεότερη, αλλά η πλατφόρμα προϋπολογίζει 100.000 βήματα, οπότε το παράθυρο καταλήγει στο ίδιο σημείο.
• GR00T: η ροή εργασίας αναφοράς της NVIDIA για τη γενιά N1.6 αναφέρει περίπου 4 έως 8 ώρες για 20.000 βήματα σε batch 24 σε οκτώ κάρτες L40S, και 2 έως 3 ώρες για 30.000 βήματα σε batch 16 σε μία μόνο Ada 6000. Η λεπτομερής ρύθμιση (fine-tuning) ενός 3B VLA σε μία κάρτα μέσα σε λίγες ώρες είναι φυσιολογική, όχι αισιόδοξη.
• Pi0.5: η openpi δεν δημοσιεύει στοιχεία πραγματικού χρόνου (wall-clock), αλλά δημοσιεύει το ελάχιστο όριο των 70 GB για μια πλήρη λεπτομερή ρύθμιση (fine-tune), το οποίο καθορίζει την κάρτα και συνεπώς τον ρυθμό.

Αξίζει να σταθούμε στον αριθμό που δεν πληρώνετε. Η δημοσίευση GR00T N1 αναφέρει περίπου 50.000 ώρες GPU H100 για την προ-εκπαίδευση του μοντέλου 2.2B, σε ένα σύμπλεγμα έως και 1024 GPUs, με μέγεθος batch προ-εκπαίδευσης 16.384 για 200.000 βήματα κλίσης (gradient steps). Με βάση το 1.34 έως 2.34 USD ανά ώρα που μετρήθηκε παραπάνω, αυτό ανέρχεται σε περίπου 67.000 έως 117.000 USD σε ενοικιαζόμενη υπολογιστική ισχύ. Η δημοσίευση SmolVLA τοποθετεί το έργο της σε περίπου 30.000 ώρες GPU σε 481 σύνολα δεδομένων κοινότητας, 22.9K επεισόδια και 10.6M καρέ. Τα κληρονομείτε όλα αυτά στην τιμή μιας λήψης. τα 8 USD σας αγοράζουν τα τελευταία 20.000 βήματα. Γιατί τα VLA κατασκευάζονται με αυτόν τον τρόπο καλύπτει αυτή τη διάσπαση.

Ο βραχίονας: ένα εφάπαξ κόστος που επισκιάζει τον λογαριασμό της GPU

Μια εκπαιδευτική εκτέλεση κοστίζει λιγότερο από το μεσημεριανό γεύμα. Το ρομπότ όχι. Γι' αυτό το SO-100 έχει σημασία: είναι ο φθηνότερος βραχίονας που υποστηρίζει πραγματικά ολόκληρη η μάθηση μέσω μίμησης εργαλειοθήκη.

Ο κατάλογος υλικών (bill of materials) στο αποθετήριο SO-ARM100 είναι πιο αναλυτικός και αξίζει να τον ελέγξετε σε σχέση με την περιοχή σας: η λίστα του Εξαρτήματα για Δύο Βραχίονες ανέρχεται συνολικά σε 229.88 USD ή 226.30 EUR για μια διάταξη leader plus follower, και η λίστα του Εξαρτήματα για Έναν Βραχίονα Follower ανέρχεται συνολικά σε 121.94 USD ή 124.30 EUR. Έξι σέρβο STS3215 προς 13.89 USD το καθένα είναι 83.34 από αυτά τα 121.94, οπότε τα σέρβο είναι ο βραχίονας. Με 1 έως 3 USD ανά εκτέλεση SmolVLA ή ACT, ένα ζεύγος βραχιόνων αξίζει μεταξύ 77 και 230 εκπαιδευτικών εκτελέσεων. Εάν εξακολουθείτε να επιλέγετε, SO-100 έναντι SO-101 είναι η σύγκριση που έχει σημασία, επειδή οι δύο είναι αρκετά κοντά ώστε η απόφαση να αφορά τη διαθεσιμότητα και όχι την ικανότητα.

Ανθρώπινες ώρες: η γραμμή που κανείς δεν βάζει στο υπολογιστικό φύλλο

Αυτός είναι ο αριθμός που ανατρέπει τη συζήτηση για το κόστος. Η καταγραφή επιδείξεων είναι ένα άτομο που κινεί έναν ρομποτικό βραχίονα, ένα επεισόδιο κάθε φορά, σε πραγματικό χρόνο. Δεν υπάρχει ομαδοποίηση ούτε ενοικίαση ανά δευτερόλεπτο. Ο καταγραφέας συνόλου δεδομένων LeRobot συνοδεύεται από προεπιλογές που διευκολύνουν τους υπολογισμούς, και οι τρεις επιβεβαιωμένες στο DatasetRecordConfig: 60 δευτερόλεπτα ανά επισόδιο, 60 δευτερόλεπτα για επαναφορά της σκηνής, 50 επεισόδια. Η στήλη του κόστους παρακάτω υποθέτει 15 USD για μία ώρα χρόνου κάποιου, κάτι που είναι μια υπόθεση και όχι ένας αριθμός πλατφόρμας. Αντικαταστήστε με τη δική σας τιμή· η αναλογία είναι το ζητούμενο.

1. 1
   Καταγράψτε το σύνολο δεδομένων με τις προεπιλογές για τις οποίες θα χρεωθείτε στην πραγματικότητα

   Αυτή είναι η έκδοση lerobot 0.6.1, η έκδοση στο PyPI από 3 Αυγούστου 2026. Σημειώστε τη μορφή CLI: η καταγραφή εκτελείται μέσω του σημείου εισόδου κονσόλας lerobot-record (lerobot.scripts.lerobot_record), όχι της παλιάς διαδρομής μονάδας python -m lerobot.scripts.record. Το AY-Robots στοχεύει την έκδοση 0.5.1, και το wheel 0.5.1 δηλώνει τα ίδια σημεία εισόδου lerobot-record και lerobot-train, οπότε η παρακάτω μορφή είναι σταθερή και στις δύο. Οι τρεις σημαίες χρονισμού είναι οι προεπιλογές του upstream, οπότε αυτή είναι επίσης η εντολή που υποθέτει ο υπολογισμός στον επόμενο πίνακα.

   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
   Δείτε τι καταγράψατε πριν νοικιάσετε ούτε ένα λεπτό GPU

   Η επιθεώρηση ενός συνόλου δεδομένων κοστίζει μηδέν USD ανά ώρα. Η ανακάλυψη του ίδιου προβλήματος από μια καμπύλη απώλειας κοστίζει 2.00 USD ανά ώρα στην κατηγορία H100 και σας το λέει τέσσερις ώρες αργότερα. Προωθήστε το σύνολο δεδομένων και ελέγξτε το στον προβολέα LeRobot, ή περιηγηθείτε στον κατάλογο συνόλων δεδομένων του 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
   Εκπαιδεύστε, και βεβαιωθείτε ότι το σημείο ελέγχου επιβιώνει του pod

   Μια ενοικιαζόμενη μηχανή είναι προσωρινή εξ ορισμού, οπότε γράψτε σημεία ελέγχου κάπου ανθεκτικά κατά τη διάρκεια της εκτέλεσης. Δύο σημαίες αποφασίζουν αν θα κρατήσετε αυτό που πληρώσατε. Το --save_freq έχει προεπιλογή 20.000 βήματα, οπότε μια προεπιλεγμένη εκτέλεση SmolVLA 20.000 βημάτων γράφει το πρώτο της σημείο ελέγχου όταν η εκτέλεση έχει ήδη τελειώσει· μειώστε το πριν νοικιάσετε οτιδήποτε διακοπτόμενο. Το --save_checkpoint_to_hub απαιτεί --policy.repo_id και δεν υπάρχει στο lerobot 0.5.1, οπότε σε αυτή την έκδοση αντιγράφετε τον κατάλογο εξόδου από τη μηχανή μόνοι σας. Το μέγεθος παρτίδας παρακάτω είναι το παράδειγμα του upstream εγγράφου· η φόρμα AY-Robots στέλνει 2 για το SmolVLA και γράφει σε αποθήκευση αντικειμένων καθώς εμφανίζονται σημεία ελέγχου.

   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

Συγκρίνετε τη δεξιά στήλη με το κόστος εκτέλεσης των 1 έως 12 USD. Με αυτό τον υποτιθέμενο ρυθμό, ένα σύνολο δεδομένων 50 επεισοδίων κοστίζει δύο έως επτά φορές περισσότερο για να καταγραφεί από ό,τι για να εκπαιδευτεί, πριν από τη βαθμονόμηση, τη ρύθμιση της κάμερας και τα επεισόδια που απορρίπτετε. Γι' αυτό έχει άμεση χρηματική αξία. Ο οδηγός του lerobot προτείνει τουλάχιστον 50 επεισόδια με 10 ανά θέση αντικειμένου· τα έγγραφα του SmolVLA αναφέρουν ότι μια έκδοση 25 επεισοδίων της ίδιας εργασίας δεν ήταν αρκετή.

Πού χάνονται πραγματικά τα χρήματα

1. Εκτελέσεις σε δεδομένα που δεν επρόκειτο ποτέ να λειτουργήσουν

Μια εκτέλεση GR00T 20.000 βημάτων σε ένα σύνολο δεδομένων με δύο εναλλαγμένες ροές κάμερας κοστίζει το ίδιο με μια σε ένα καθαρό σύνολο δεδομένων, διαρκεί τον ίδιο χρόνο και παράγει μια καμπύλη απώλειας που φαίνεται εντάξει. Η αποτυχία εμφανίζεται στον βραχίονα, ώρες αργότερα. χρεώνονται ανά ώρα και η διάγνωση χρεώνεται σε ημέρες. Δύο συμπτώματα που αξίζει να απομνημονεύσετε: συνήθως σημαίνει ότι οι παρατηρήσεις δεν μεταφέρουν αυτό που χρειάζεται η εργασία, και σημαίνει ότι το σύνολο δεδομένων είχε λιγότερη ποικιλία από ό,τι νομίζατε.

2. Πληρωμή τιμών μοντέλων βάσης για μια εργασία σταθερής κάμερας

Το ACT έχει περίπου 80 εκατομμύρια παραμέτρους και σχεδιάστηκε για να εκπαιδευτεί από την αρχή σε 50 επιδείξεις μιας εργασίας. Το GR00T N1.7 έχει περίπου 3 δισεκατομμύρια με προεκπαιδευμένο backbone. Για μια βιδωμένη κάμερα, ένα σταθερό τραπέζι και ένα αντικείμενο, το μοντέλο των 80 εκατομμυρίων συχνά τα καταφέρνει, εκτελείται σε περίπου 20 ms ανά βήμα ενέργειας αντί για 152 ms, και κοστίζει 1 έως 3 USD ανά εκτέλεση αντί για 4 έως 12. Ξοδέψτε 3 USD για να μάθετε αν το φθηνό μοντέλο λειτουργεί πριν ξοδέψετε 12 USD για το ακριβό. ACT έναντι SmolVLA και GR00T N1.7 έναντι Pi0.5 δείχνουν πού το καθένα παύει να είναι η σωστή απάντηση· η αρένα μοντέλων έχει 85 μοντέλα και 332 αποτελέσματα συγκριτικής αξιολόγησης.

3. Η GPU που ξεχάσατε

Το φθηνότερο λάθος για να αποφευχθεί και το πιο συνηθισμένο που γίνεται. Μια περίπτωση που ξεκίνησε Παρασκευή για εντοπισμό σφαλμάτων χρεώνεται όλο το Σαββατοκύριακο με τον ίδιο ρυθμό με μια πραγματική εκτέλεση.

Στο AY-Robots αυτή η αστοχία έχει σχεδιαστεί ώστε να αποφεύγεται για την εξαγωγή συμπερασμάτων (inference): τα pods που παρέχονται από το API εξαγωγής συμπερασμάτων φέρουν έναν αδρανή φύλακα (idle watchdog) και καταστρέφονται μετά από μια περίοδο αδράνειας. Εάν νοικιάσετε την κάρτα μόνοι σας, αυτός ο φύλακας είναι η υπενθύμιση του ημερολογίου σας.

4. Πληρώνοντας δύο φορές για την ίδια απάντηση

Το σημείο εισόδου fine-tuning του GR00T είναι ένα CLI tyro που δεν εκθέτει κανένα seed. Αυτό δεν είναι περιορισμός της πλατφόρμας, είναι το upstream εργαλείο: δεν υπάρχει πεδίο seed στο gr00t/configs/finetune_config.py, και οι συμβουλές εκπαίδευσης του ίδιου του αποθετηρίου προειδοποιούν ότι οι εκτελέσεις διαφέρουν κατά 5 έως 6 τοις εκατό επειδή οι αυξήσεις εικόνας είναι μη-ντετερμινιστικές. Το lerobot προεπιλέγει το seed 1000 τόσο στις εκδόσεις 0.5.1 όσο και 0.6.1, οπότε οι εκτελέσεις ACT, SmolVLA και Pi0.5 μπορούν τουλάχιστον να επανεκτελεστούν από την ίδια αρχικοποίηση και σειρά δεδομένων. Αυτό δεν είναι υπόσχεση για bit-identical βάρη σε μια GPU, αλλά είναι η διαφορά μεταξύ μιας επανεκτέλεσης και ενός νέου πειράματος. Εάν μια εκτέλεση GR00T παράγει μια πολιτική που λειτουργεί και δεν κρατήσατε το σημείο ελέγχου, πληρώνετε την πλήρη τιμή για ένα αποτέλεσμα που μπορεί να διαφέρει περισσότερο από τη διαφορά που κυνηγούσατε. Υπάρχει ένας δεύτερος τρόπος να χάσετε ένα σημείο ελέγχου για το οποίο πληρώσατε: το CLI προεπιλέγει το --save-total-limit 5, το οποίο τεκμηριώνεται ως ο μέγιστος αριθμός σημείων ελέγχου που διατηρούνται πριν διαγραφούν τα παλαιότερα. Η αποθήκευση κοστίζει λίγα λεπτά. Μια επανεκτέλεση κοστίζει 4 έως 12 USD και έξι ώρες.

Το να το κάνετε μόνοι σας έναντι του να αφήσετε την πλατφόρμα να νοικιάσει την κάρτα

# 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>

Τι χρεώνει η πλατφόρμα και πώς επιλέγει την κάρτα

Η λογική είναι σκόπιμα απλή. Κάθε μοντέλο στον κατάλογο δηλώνει ένα επίπεδο GPU· το backend λαμβάνει την απαιτούμενη VRAM και νοικιάζει μια αντίστοιχη κάρτα στην ίδια αγορά spot που μετρήθηκε παραπάνω. Αυτός είναι ο λόγος που το αναφερόμενο κόστος είναι ένα εύρος, όχι μια τιμή. Τα GR00T και Pi0.5 είναι εδώ μόνο για το cloud λόγω των ορίων 40 GB και 70 GB. Τα SmolVLA και ACT τρέχουν επίσης τοπικά στη δική σας κάρτα 24 GB, όπου το κόστος cloud είναι μηδέν και η ηλεκτρική ενέργεια είναι δικό σας πρόβλημα.

Μια ρύθμιση χρήζει προσοχής. Η συσσώρευση κλίσης (gradient accumulation) εφαρμόζεται πραγματικά και για τις δύο παραλλαγές του GR00T, οπότε η αύξησή της αγοράζει ένα μεγαλύτερο αποτελεσματικό batch στην ίδια κάρτα. Για τα Pi0.5 και SmolVLA δεν εφαρμόζεται καθόλου: το lerobot 0.5.1 δεν έχει επιλογή συσσώρευσης κλίσης στη διαμόρφωση εκπαίδευσής του, οπότε η ρύθμιση του πεδίου στο 16 δεν κοστίζει τίποτα και δεν προσφέρει τίποτα. Εάν μια εργασία σε αναμονή δεν ξεκινήσει ποτέ, η σελίδα για τις κολλημένες στην ουρά εργασίες καλύπτει τι πρέπει να ελέγξετε· εάν το σύνολο δεδομένων απορριφθεί πριν ξεκινήσει η εκτέλεση, είναι σχεδόν πάντα το πρόβλημα μορφής v3.0.

Ένας επεξεργασμένος προϋπολογισμός για μια πρώτη λειτουργική πολιτική

Και οι τέσσερις γραμμές μαζί, ξεκινώντας από το μηδέν. Το σύνολο της GPU υποθέτει 3 έως 5 εκτελέσεις: η πρώτη αποδεικνύει ότι ο αγωγός λειτουργεί, η δεύτερη αποκαλύπτει ένα πρόβλημα δεδομένων, η τρίτη ή η τέταρτη είναι αυτή που κρατάτε.

Το μοτίβο ισχύει και σε αυτό το μέγεθος ρομπότ: ο υπολογισμός είναι ένα σφάλμα στρογγυλοποίησης, το υλικό είναι ένα πραγματικό εφάπαξ κόστος, οι ανθρώπινες ώρες είναι το επαναλαμβανόμενο έξοδο. Για να δοκιμάσετε το μισό της εκπαίδευσης πριν αγοράσετε οτιδήποτε, σας επιτρέπουν να συγκρίνετε μοντέλα και να νοικιάσετε μια GPU χωρίς ρομποτικό βραχίονα, και είναι ένας φυσικός SO-100 που μπορείτε να χειριστείτε στον περιηγητή χωρίς εγγραφή. Για ολόκληρη την αλυσίδα από την αρχή μέχρι το τέλος, ο καλύπτει τη ρύθμιση, και την εκπαίδευση, και είναι η σύντομη έκδοση.