هزینه آموزش VLA: یک اجرای تنظیم دقیق واقعاً چقدر هزینه دارد

صورت‌حساب چهار بخش دارد و GPU کوچک‌ترین آنهاست

وقتی مردم می‌پرسند هزینه تنظیم دقیق یک مدل بینایی-زبان-عمل برای یک SO-100 چقدر است، تقریباً همیشه منظورشان اجاره GPU است. این عددی است که به عنوان هزینه روی کارت ظاهر می‌شود، بنابراین همان چیزی است که واقعی به نظر می‌رسد. همچنین، با اختلاف زیاد، کوچک‌ترین از چهار عددی است که تعیین می‌کند یک خط‌مشی کارآمد واقعاً چقدر برای شما هزینه دارد.

زمان‌های آموزش در ادامه از مقالات و مخازن خود پنج مدل، هزینه سخت‌افزار از لیست مواد منتشر شده، و اعداد پلتفرم از AY-Robots کاتالوگ سیاست‌ها و صفحه قیمت‌گذاری. در مواردی که پلتفرم کمکی نمی‌کند، این مقاله به آن اشاره می‌کند.

هزینه واقعی یک ساعت GPU در بازار لحظه‌ای

هیچ قیمت واحدی برای یک ساعت A100 وجود ندارد. در بازاری مانند vast.ai هر میزبان نرخ خود را تعیین می‌کند، و اجرای آموزشی که شما راه‌اندازی می‌کنید، روی هر ماشینی که در آن لحظه ارزان و آزاد باشد، قرار می‌گیرد. پاسخ صادقانه یک توزیع است. در اینجا، اندازه‌گیری شده در 23 آگوست 2026 در ساعت 13:44 UTC: کارت‌های کامل تکی، بر اساس تقاضا، فیلتر شده بر اساس VRAM واقعی.

# 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

چرا مدل‌های 3B نمی‌توانند از کارت ارزان استفاده کنند

یک ساعت 4090 و یک ساعت H100 80 GB در میانگین‌های بالا تقریباً شش برابر با هم تفاوت دارند. آنچه شما را به سمت کارت گران‌قیمت سوق می‌دهد، سرعت نیست، بلکه حافظه است. openpi حداقل حافظه مورد نیاز برای یک Pi0.5 کامل را فاین‌تیون 70 GB تعیین می‌کند و NVIDIA برای GR00T، 40 GB یا بیشتر را توصیه می‌کند. توجه داشته باشید که عدد GR00T به چه معنا نیست. پیکربندی فاین‌تیون آن به طور پیش‌فرض مدل زبان و رمزگذار بصری را فریز می‌کند (tune_llm و tune_visual False هستند، در حالی که پروژکتور و هد انتشار True هستند)، به همین دلیل کاتالوگ تقریباً 40 میلیون پارامتر آموزش‌دیده از 3 میلیارد را فهرست می‌کند. 40 GB مربوط به وضعیت بهینه‌ساز برای وزن‌های 3 میلیارد نیست، بلکه مربوط به ستون فقرات فریز شده به علاوه فعال‌سازی‌ها است. نسخه‌های با دامنه کاهش‌یافته، کمتر نیاز دارند: مسیر LoRA در openpi به 22.5 GB نیاز دارد و 4090 را نام می‌برد، و گردش کار Isaac Lab Arena شرکت NVIDIA یک گزینه تک-GPU با 24 GB را برای پس‌آموزش GR00T فهرست می‌کند. پلتفرم بر اساس حداقل حافظه مورد نیاز که هر فروشنده برای پیکربندی واقعی خود منتشر می‌کند، طبقه‌بندی می‌شود. مقاله pi0 flow-matching توضیح می‌دهد که آن flow-matching ردپا از کجا می‌آید.

این جدول دلیل تقسیم پنج مدل توسط پلتفرم به دو رده است. GR00T N1.7، GR00T N1.5 و Pi0.5 روی A100 80 GB یا H100 اجرا می‌شوند زیرا این چیزی است که فروشندگان درخواست می‌کنند. SmolVLA و ACT روی RTX 4090 یا هر کارت 24 GB دیگری اجرا می‌شوند زیرا این مقدار واقعاً کافی است.

مدت زمان اجرای واقعی هر یک از پنج مدل

زمان اجرا نیمه دیگر هزینه است: 2.00 USD در ساعت بی‌اهمیت است اگر کار 40 دقیقه طول بکشد و ویرانگر است اگر 40 ساعت باشد. اینها تنظیمات پیش‌فرض AY-Robots هستند که واقعاً به مربی ارسال می‌کند، همراه با پنجره اجرا و هزینه برای هر سطح.

پنجره‌های اجرای بالادستی از کجا می‌آیند

• SmolVLA: مستندات lerobot بیان می‌کند که ۲۰,۰۰۰ گام تقریباً ۴ ساعت روی یک A100 طول می‌کشد. پلتفرم همین ۲۰,۰۰۰ گام را روی رده ۲۴ گیگابایتی ارزان‌تر اجرا می‌کند، از این رو یک پنجره زمانی به جای ۴ ساعت ثابت.
• ACT: مقاله اصلی ALOHA حدود ۵ ساعت را روی یک RTX 2080 Ti با ۱۱ گیگابایت برای یک مدل ۸۰ میلیون پارامتری گزارش می‌دهد. یک ۴۰۹۰ چندین نسل جدیدتر است اما پلتفرم ۱۰۰,۰۰۰ گام را بودجه‌بندی می‌کند، بنابراین پنجره زمانی در همان مکان قرار می‌گیرد.
• GR00T: گردش کار مرجع NVIDIA برای نسل N1.6 تقریباً ۴ تا ۸ ساعت را برای ۲۰,۰۰۰ گام با بچ ۲۴ روی هشت کارت L40S، و ۲ تا ۳ ساعت را برای ۳۰,۰۰۰ گام با بچ ۱۶ روی یک Ada 6000 ذکر می‌کند. تنظیم دقیق (fine-tuning) یک VLA 3B با یک کارت در چند ساعت عادی است، نه خوش‌بینانه.
• Pi0.5: openpi هیچ رقم زمان واقعی (wall-clock) منتشر نمی‌کند، اما حداقل ۷۰ گیگابایت را برای یک تنظیم دقیق کامل منتشر می‌کند که کارت و در نتیجه نرخ را مشخص می‌کند.

ارزش دارد که روی عددی که پرداخت نمی‌کنید مکث کنید. مقاله GR00T N1 تقریباً ۵۰,۰۰۰ ساعت GPU H100 را برای پیش‌آموزش مدل 2.2B، روی خوشه‌ای تا ۱۰۲۴ GPU، با اندازه بچ پیش‌آموزش ۱۶,۳۸۴ برای ۲۰۰,۰۰۰ گام گرادیان گزارش می‌دهد. با نرخ ۱.۳۴ تا ۲.۳۴ دلار در ساعت که در بالا اندازه‌گیری شد، این مقدار در حدود ۶۷,۰۰۰ تا ۱۱۷,۰۰۰ دلار محاسبات اجاره‌ای است. مقاله SmolVLA پروژه خود را تقریباً ۳۰,۰۰۰ ساعت GPU در ۴۸۱ مجموعه داده جامعه، ۲۲.۹ هزار اپیزود و ۱۰.۶ میلیون فریم قرار می‌دهد. شما همه اینها را با قیمت یک دانلود به ارث می‌برید؛ ۸ دلار شما ۲۰,۰۰۰ گام آخر را می‌خرد. چرا VLAها اینگونه ساخته می‌شوند آن تقسیم‌بندی را پوشش می‌دهد.

بازو: یک هزینه یک‌باره که صورت‌حساب GPU را ناچیز می‌کند

یک دور آموزش کمتر از ناهار هزینه دارد. ربات اینطور نیست. به همین دلیل SO-100 اهمیت دارد: این ارزان‌ترین بازویی است که کل یادگیری تقلیدی زنجیره ابزار واقعاً پشتیبانی می‌کند.

فهرست مواد اولیه در مخزن SO-ARM100 دقیق‌تر است و ارزش بررسی در منطقه شما را دارد: لیست قطعات برای دو بازو آن مجموعاً 229.88 دلار آمریکا یا 226.30 یورو برای یک راه‌اندازی رهبر به همراه پیرو است، و لیست قطعات برای یک بازوی پیرو آن مجموعاً 121.94 دلار آمریکا یا 124.30 یورو است. شش سروو STS3215 با قیمت 13.89 دلار آمریکا برای هر کدام، 83.34 دلار از آن 121.94 دلار را تشکیل می‌دهند، بنابراین سرووها همان بازو هستند. با 1 تا 3 دلار آمریکا برای هر اجرای SmolVLA یا ACT، یک جفت بازو بین 77 تا 230 دور آموزش ارزش دارد. اگر هنوز در حال انتخاب هستید، SO-100 در مقابل SO-101 مقایسه‌ای است که اهمیت دارد، زیرا این دو به اندازه‌ای به هم نزدیک هستند که تصمیم‌گیری بیشتر به در دسترس بودن مربوط می‌شود تا قابلیت.

ساعات انسانی: ردیفی که هیچ‌کس در صفحه گسترده نمی‌گذارد

این عددی است که بحث هزینه را کاملاً دگرگون می‌کند. ضبط دموها به این صورت است که یک نفر بازوی ربات را در زمان واقعی، یک اپیزود در هر زمان، حرکت می‌دهد. هیچ دسته‌بندی و اجاره‌ای بر اساس ثانیه وجود ندارد. LeRobot dataset ضبط‌کننده با تنظیمات پیش‌فرض عرضه می‌شود که محاسبات را آسان می‌کند، هر سه در DatasetRecordConfig: ۶۰ ثانیه برای هر اپیزود، ۶۰ ثانیه برای بازنشانی صحنه، ۵۰ اپیزود. ستون هزینه در پایین ۱۵ دلار آمریکا را برای یک ساعت کار یک نفر در نظر می‌گیرد، که این یک فرض است تا یک عدد پلتفرم. نرخ خود را جایگزین کنید؛ نسبت مهم است.

1. 1
   مجموعه داده را با پیش‌فرض‌هایی که واقعاً برای آن‌ها صورت‌حساب دریافت خواهید کرد، ضبط کنید

   این lerobot 0.6.1 است، نسخه‌ای که در تاریخ ۳ اوت ۲۰۲۶ در PyPI موجود است. به شکل CLI توجه کنید: ضبط از طریق نقطه ورودی کنسول lerobot-record (lerobot.scripts.lerobot_record) اجرا می‌شود، نه مسیر ماژول قدیمی python -m lerobot.scripts.record. AY-Robots نسخه 0.5.1 را هدف قرار می‌دهد، و چرخ 0.5.1 همان نقاط ورودی lerobot-record و lerobot-train را اعلام می‌کند، بنابراین شکل زیر در هر دو پایدار است. سه پرچم زمان‌بندی پیش‌فرض‌های بالادستی هستند، بنابراین این همان دستوری است که محاسبات در جدول بعدی بر اساس آن انجام می‌شود.

   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
   قبل از اجاره حتی یک دقیقه GPU، آنچه را که ضبط کرده‌اید بررسی کنید

   بازرسی یک مجموعه داده صفر دلار آمریکا در ساعت هزینه دارد. کشف همین مشکل از یک منحنی زیان ۲.۰۰ دلار آمریکا در ساعت در رده H100 هزینه دارد و چهار ساعت دیرتر به شما اطلاع می‌دهد. مجموعه داده را ارسال کنید و آن را در نمایشگر LeRobot بررسی کنید، یا دایرکتوری مجموعه داده AY-Robots را مرور کنید.

   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
   آموزش دهید و مطمئن شوید که نقطه بازرسی از عمر پاد بیشتر است

   یک ماشین اجاره‌ای ذاتاً موقتی است، بنابراین نقاط بازرسی را در طول اجرا در مکانی پایدار بنویسید. دو پرچم تعیین می‌کنند که آیا آنچه را که برای آن پرداخت کرده‌اید، نگه می‌دارید یا خیر. --save_freq به طور پیش‌فرض ۲۰,۰۰۰ گام است، بنابراین یک اجرای پیش‌فرض ۲۰,۰۰۰ گامی SmolVLA اولین نقطه بازرسی خود را زمانی می‌نویسد که اجرا از قبل به پایان رسیده است؛ قبل از اجاره هر چیز قابل قطع، آن را کاهش دهید. --save_checkpoint_to_hub به --policy.repo_id نیاز دارد و در lerobot 0.5.1 وجود ندارد، بنابراین در آن نسخه باید خودتان دایرکتوری خروجی را از روی ماشین کپی کنید. اندازه دسته در پایین نمونه‌ای از مستندات بالادستی است؛ فرم AY-Robots برای SmolVLA عدد ۲ را ارسال می‌کند و با ظاهر شدن نقاط بازرسی، آن‌ها را در فضای ذخیره‌سازی اشیاء می‌نویسد.

   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

ستون سمت راست را با هزینه اجرای 1 تا 12 دلاری مقایسه کنید. با این نرخ فرضی، یک مجموعه داده 50 قسمتی، دو تا هفت برابر بیشتر از هزینه آموزش، برای ضبط هزینه دارد، قبل از کالیبراسیون، تنظیم دوربین و قسمت‌هایی که دور می‌ریزید. به همین دلیل است که ارزش دلاری مستقیمی دارد. راهنمای LeRobot حداقل 50 قسمت با 10 قسمت برای هر مکان شی را پیشنهاد می‌کند؛ مستندات SmolVLA گزارش می‌دهند که یک نسخه 25 قسمتی از همان کار کافی نبوده است.

جایی که پول واقعاً از دست می‌رود

1. اجرا بر روی داده‌هایی که هرگز کار نمی‌کردند

یک اجرای 20,000 مرحله‌ای GR00T بر روی یک مجموعه داده با دو جریان دوربین جابجا شده، همان هزینه را دارد که بر روی یک مجموعه داده تمیز دارد، همان زمان را می‌برد و یک منحنی افت (loss curve) تولید می‌کند که خوب به نظر می‌رسد. شکست ساعت‌ها بعد، روی بازو ظاهر می‌شود. به صورت ساعتی محاسبه می‌شوند و تشخیص به صورت روزانه محاسبه می‌شود. دو نشانه که ارزش به خاطر سپردن دارند: معمولاً به این معنی است که مشاهدات آنچه را که وظیفه نیاز دارد، حمل نمی‌کنند، و به این معنی است که مجموعه داده تنوع کمتری نسبت به آنچه فکر می‌کردید، داشته است.

2. پرداخت هزینه‌های مدل پایه برای یک وظیفه با دوربین ثابت

ACT تقریباً 80 میلیون پارامتر دارد و برای آموزش از ابتدا بر روی 50 نمایش یک وظیفه طراحی شده است. GR00T N1.7 تقریباً 3 میلیارد پارامتر با یک ستون فقرات از پیش آموزش‌دیده دارد. برای یک دوربین ثابت، یک میز ثابت و یک شیء، مدل 80 میلیونی اغلب به هدف می‌رسد، با سرعت حدود 20 میلی‌ثانیه در هر گام عملیاتی به جای 152 میلی‌ثانیه اجرا می‌شود و 1 تا 3 دلار به ازای هر اجرا هزینه دارد به جای 4 تا 12 دلار. 3 دلار هزینه کنید تا بفهمید آیا مدل ارزان‌تر کار می‌کند یا خیر، قبل از اینکه 12 دلار برای مدل گران‌تر خرج کنید. ACT در برابر SmolVLA و GR00T N1.7 در برابر Pi0.5 نشان می‌دهند که هر کدام در کجا دیگر پاسخ صحیح نیستند؛ عرصه مدل دارای 85 مدل و 332 نتیجه بنچمارک است.

3. پردازنده گرافیکی که فراموش کردید

ارزان‌ترین اشتباه برای جلوگیری و رایج‌ترین اشتباه برای انجام دادن. یک نمونه که در روز جمعه برای اشکال‌زدایی چیزی شروع شده است، در طول آخر هفته با همان نرخ یک اجرای واقعی صورتحساب می‌شود.

در AY-Robots، این خطا برای استنتاج طراحی شده است: پادهایی که توسط API استنتاج تأمین می‌شوند، یک ناظر بیکاری (idle watchdog) را حمل می‌کنند و پس از یک دوره بیکاری خود را از بین می‌برند. اگر کارت را خودتان اجاره کنید، آن ناظر بیکاری یادآور تقویم شماست.

۴. پرداخت دو برابر برای یک پاسخ

نقطه ورود تنظیم دقیق GR00T یک CLI از نوع tyro است که هیچ seedی را نمایش نمی‌دهد. این یک محدودیت پلتفرم نیست، بلکه ابزار بالادستی است: هیچ فیلد seedی در gr00t/configs/finetune_config.py، و نکات آموزشی خود مخزن هشدار می‌دهند که اجراها به دلیل غیرقطعی بودن افزایش‌های تصویر، ۵ تا ۶ درصد متفاوت هستند. lerobot در هر دو نسخه 0.5.1 و 0.6.1 به طور پیش‌فرض از seed 1000 استفاده می‌کند، بنابراین اجراهای ACT، SmolVLA و Pi0.5 حداقل می‌توانند از همان مقداردهی اولیه و ترتیب داده‌ها دوباره اجرا شوند. این تضمین وزن‌های بیت-یکسان روی GPU نیست، اما تفاوت بین یک اجرای مجدد و یک آزمایش جدید است. اگر یک اجرای GR00T سیاستی را تولید کند که کار می‌کند و شما چک‌پوینت، را نگه نداشته‌اید، هزینه کامل را برای نتیجه‌ای پرداخت می‌کنید که ممکن است بیش از تفاوتی باشد که به دنبال آن بودید. راه دومی برای از دست دادن چک‌پوینتی که برای آن هزینه کرده‌اید وجود دارد: CLI به طور پیش‌فرض از --save-total-limit 5 استفاده می‌کند، که به عنوان حداکثر تعداد چک‌پوینت‌های نگهداری شده قبل از حذف موارد قدیمی‌تر مستند شده است. ذخیره‌سازی چند سنت است؛ یک اجرای مجدد ۴ تا ۱۲ دلار و شش ساعت هزینه دارد.

انجام آن توسط خودتان در مقابل اجازه دادن به پلتفرم برای اجاره کارت

# 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>

پلتفرم چه هزینه‌ای دریافت می‌کند و چگونه کارت را انتخاب می‌کند

منطق عمداً ساده است. هر مدل در کاتالوگ، یک رده GPU را اعلام می‌کند؛ بک‌اند VRAM مورد نیاز را گرفته و یک کارت منطبق را در همان بازار لحظه‌ای که در بالا اندازه‌گیری شد، اجاره می‌کند. به همین دلیل هزینه اعلام شده یک محدوده است، نه یک قیمت ثابت. GR00T و Pi0.5 در اینجا فقط ابری هستند به دلیل حداقل‌های 40 GB و 70 GB. SmolVLA و ACT همچنین به صورت محلی روی کارت 24 GB خود شما اجرا می‌شوند، جایی که هزینه ابری صفر است و برق مشکل شماست.

یک تنظیم نیاز به هشدار دارد. انباشت گرادیان واقعاً برای هر دو نوع GR00T اعمال می‌شود، بنابراین افزایش آن یک بچ مؤثر بزرگتر را روی همان کارت فراهم می‌کند. برای Pi0.5 و SmolVLA اصلاً اعمال نمی‌شود: lerobot 0.5.1 هیچ گزینه انباشت گرادیانی در تنظیمات آموزش خود ندارد، بنابراین تنظیم این فیلد روی 16 هیچ هزینه‌ای ندارد و چیزی هم به دست نمی‌آورد. اگر یک کار در صف هرگز شروع نشد، صفحه مربوط به کار گیر کرده در صف آنچه را که باید بررسی کنید پوشش می‌دهد؛ اگر مجموعه داده قبل از شروع اجرا رد شود، تقریباً همیشه مشکل فرمت v3.0 است.

بودجه‌ای عملی برای اولین سیاست کاری

هر چهار خط با هم، از صفر شروع می‌شوند. مجموع GPU فرض می‌کند 3 تا 5 اجرا: اولین اجرا ثابت می‌کند که پایپ‌لاین کار می‌کند، دومی یک مشکل داده را آشکار می‌کند، سومی یا چهارمی همان است که شما نگه می‌دارید.

این الگو در این اندازه از ربات نیز صادق است: محاسبات یک خطای گرد کردن است، سخت‌افزار یک هزینه واقعی یک‌بار مصرف است، و ساعات کاری انسان هزینه تکراری است. برای آزمایش بخش آموزش قبل از خرید هر چیزی، نقاط ورودی بدون سخت‌افزار به شما امکان می‌دهد مدل‌ها را مقایسه کنید و یک GPU را بدون نیاز به بازوی ربات اجاره کنید، و بازوی زنده یک SO-100 فیزیکی است که می‌توانید آن را در مرورگر بدون نیاز به ثبت‌نام کنترل کنید. برای کل خط لوله از ابتدا تا انتها، راهنمای کامل SO-100 راه‌اندازی، تله‌اپریشن و آموزش را پوشش می‌دهد، و اولین سیاست خود را آموزش دهید نسخه کوتاه آن است.