کدام سیاست VLA را باید در سال 2026 آموزش دهید؟

امروزه پنج سیاست بر روی یک بازوی کلاس SO-100 قابل آموزش هستند. آنها از نظر استنتاج تأخیر، 37 در تعداد پارامترها و 12 در هزینه یک اجرا، و اینکه آیا می‌توانید نتیجه را ارسال کنید، متفاوت هستند. پنج کارت مدل آن را حل نخواهند کرد: هیچ کدام به سوال شما پاسخ نمی‌دهند، کدام را اول اجرا کنم؟

هر عددی در زیر از مقالات، مخازن و کارت‌ها در آگوست 2026 خوانده شده است. اعداد پلتفرم از از کاتالوگ سیاست‌های AY-Robots؛ در جایی که این دو با هم اختلاف دارند، هر دو نمایش داده شده‌اند.

جدول تصمیم‌گیری

پنج نامزد

هر پنج مورد سیاست‌ها هستند: فریم‌های دوربین، موقعیت‌های مفصل و، برای چهار مورد از آنها، یک دستورالعمل زبانی، که به مجموعه‌ای از اهداف مفصلی آینده نگاشت شده است. آنچه آنها را از هم متمایز می‌کند این است که چقدر قبل از ورود شما آموخته شده بود.

GR00T N1.7

مدل فعلی NVIDIA مدل بینایی-زبان-عمل، حدود 3 میلیارد پارامتر، تقریباً 40 میلیون در طول تنظیم دقیق. مخزن، تفاوت‌ها را از N1.6 فهرست می‌کند: ستون فقرات از یک مدل Eagle اختصاصی به Cosmos-Reason2-2B روی Qwen3-VL، لایه‌های انتشار 32 به 16، ابعاد حالت و عمل 29 به 132، افق عمل 16 به 40.

آنچه در یک بازوی کوچک اهمیت دارد، فضای عمل نسبی اندافکتور است: N1.7 دلتاها را از وضعیت فعلی پیش‌بینی می‌کند، که همین امر امکان انتقال 20 هزار ساعت ویدیوی انسانی EgoScale را به یک سیاست ربات می‌دهد. مشخصات در صفحه N1.7، رویه در راهنمای N1.7 روی SO-100.

GR00T N1.5

همان مقیاس 3 B، ستون فقرات Eagle 2، SigLip2 و T5، و سر DiT تطبیق جریان. این مدل برای توسعه یک چک‌پوینت که از قبل دارید، وجود دارد. دو چیز آن را به یک گزینه پیش‌فرض نامناسب تبدیل می‌کند: وزن‌ها دارای مجوز یک‌طرفه غیرتجاری NVIDIA هستند، و نسخه‌های فعلی LeRobot پشتیبانی از N1.5 را حذف کرده‌اند. برای مقایسه، به N1.7 در برابر N1.5.

Pi0.5

VLA "Physical Intelligence" با تطبیق جریان، از نوع سیاست pi05. مقاله یک VLM 2 B را ارائه می‌دهد که از PaliGemma و یک متخصص عمل 300 M مقداردهی اولیه شده و ربات را با فرکانس 50 هرتز هدایت می‌کند؛ پیکربندی pi05 در LeRobot به طور پیش‌فرض یک قطعه 50 مرحله‌ای، معادل یک ثانیه با آن نرخ، است. نقطه قوت آن مکان‌های دیده نشده است: حدود 400 ساعت دستکاری موبایل در خانه‌های واقعی، و یک مطالعه مقیاس‌پذیری بر روی 3، 12، 22، 53، 82 و 104 مکان، که در آن مدل 104 مکانی با یک کنترل آموزش‌دیده بر روی خود خانه‌های آزمایشی مطابقت داشت.

یک محدودیت، که در lerobot/pi05_base کارت ذکر شده است: پورت فقط سر عمل را حمل می‌کند. پیش‌بینی زیروظیفه، توکن‌سازی عمل و یادگیری تقویتی در بالادست منتشر نشده‌اند، و openpi نیز همین را در مورد مخزن خود می‌گوید. صفحه Pi0.5 و راهنمای Pi0.5 در SO-100 بقیه را دارند.

SmolVLA

450 میلیون پارامتر، حدود 100 میلیون در متخصص عمل، بر روی SmolVLM-2 با VLM فریز شده و تنها 16 لایه اول مدل زبان آن استفاده شده است. پیش‌آموزش داده‌های جامعه بود: 481 مجموعه داده، 10.6 میلیون فریم، از همان بازوهای ارزان‌قیمتی که شما استفاده می‌کنید. تنها VLA در اینجا که در یک کارت 24 گیگابایتی جای می‌گیرد، و تنها 30 اپیزود کف. به صفحه SmolVLA.

ACT

یک مدل بنیادی نیست. Action Chunking Transformer از ALOHA حدود ۸۰ میلیون پارامتر دارد که آموزش دیده استاز ابتدا برای هر وظیفه، بر اساس ۵۰ نمایش با فرکانس ۵۰ هرتز. این مقاله شش وظیفه واقعی دو دستی را از حدود ده دقیقه نمایش برای هر کدام، با ۸۰ تا ۹۰ درصد موفقیت بر روی مثال‌هایی که برجسته می‌کند. ایده آن، قطعه‌بندی عمل، در هر مدل در این صفحه وجود دارد، و مطالعه حذف اجزا (ablation) آن همچنان بهترین تأثیر را اندازه‌گیری می‌کند: در بیش از دو وظیفه شبیه‌سازی شده با خاموش بودن ترکیب زمانی (temporal ensembling)، موفقیت از ۱ درصد در k=1 به ۴۴ درصد در k=100 می‌رسد. صفحه ACT بقیه جزئیات را دارد.

آنچه معیارهای ارزیابی واقعاً می‌گویند

LIBERO تنها معیار ارزیابی است که سه مورد از این پنج مورد درباره آن گزارش می‌دهند: وظایف شرطی‌شده با زبان بر روی یک ربات شبیه‌سازی شده Franka Panda، که به چهار مجموعه زیر، هر کدام با ده وظیفه، تقسیم شده است. NVIDIA ۲۰۰ آزمایش برای هر مجموعه اجرا کرد.

SimplerEnv پراکندگی را نشان می‌دهد، که LIBERO نشان نمی‌دهد. NVIDIA مدل N1.7 را با N1.6 مقایسه می‌کند، که نزدیک‌ترین چیز عمومی به یک «تغییر نسلی» است.

ردیف Bridge ردیف مفید است: 5.7 امتیاز به طور متوسط به دست آمد در حالی که put_eggplant_in_basket 36 امتیاز از دست داد و put_eggplant_in_sink از 33 به 2 کاهش یافت. یک نسل جدید توزیع را به جای بالا بردن آن، حرکت می‌دهد، بنابراین اگر وظیفه شما در جایی قرار دارد که N1.7 پسرفت کرده است، میانگین چیزی نمی‌گوید.

از میان پنج مورد، تنها مقاله SmolVLA در مورد یک بازوی کلاس SO-100 گزارش می‌دهد: 78.3 درصد برای SmolVLA و 61.7 برای Pi0 در سه وظیفه، هر دو چندوظیفه‌ای، در مقابل 48.3 برای ACT آموزش‌دیده تک‌وظیفه‌ای، که قابل مقایسه نیست. جفت‌سازی تمیز هر دو تک‌وظیفه‌ای بر روی SO-101 pick-and-place است: 90 در مقابل 70 در توزیع، 50 در مقابل 40 خارج از آن. مقایسه کنید در ACT در مقابل SmolVLA و Pi0.5 در مقابل SmolVLA, یا مرور کنید عرصه.

تأخیر و هزینه، استقرار را تعیین می‌کنند

تأخیر استنتاج محدودیتی است که افراد آن را دیرتر کشف می‌کنند و اول از همه پشیمان می‌شوند. یک سیاست که پنج امتیاز در یک بنچمارک بهتر است اما نیم ثانیه در هر گام عملیاتی طول می‌کشد، روی میز کار شما بدتر به نظر می‌رسد: دینامیک تماس منتظر نمی‌ماند.

یک نکته: عدد GR00T با کارت NVIDIA که 4 مرحله حذف نویز و یک دوربین را در 85.8 ms روی H100 در حالت eager، 48.6 ms با torch.compile، 27.9 ms از طریق TensorRT کامل زمان‌بندی می‌کند، مغایرت دارد. 152 ms در اینجا یک عدد کل پشته با سربار سرویس‌دهی و بیش از یک دوربین است، نه یک گذر رو به جلو.

یک راه برای صرفه‌جویی در زمان بدون تغییر مدل: مقاله SmolVLA اجرای همزمان را اندازه‌گیری می‌کند، جایی که سیاست یک بخش را قبل از پیش‌بینی بخش بعدی به پایان می‌رساند، در مقابل اجرای ناهمزمان، جایی که پیش‌بینی با اجرا همپوشانی دارد. موفقیت مشابه است، 78.3 در مقابل 73.3، اما همان عملیات برداشتن و قرار دادن (pick-and-place) به جای 13.75 ثانیه، 9.7 ثانیه طول می‌کشد، و در یک پنجره ثابت ربات 19 چرخه را به جای 9 چرخه مدیریت می‌کند.

مجوزها، بررسی شده‌اند چون هیچ‌کس آن‌ها را بررسی نمی‌کند

ردیف Pi0.5 نیاز به دقت دارد. مستندات LeRobot pi05 بیان می‌کند که Apache 2.0 با openpi سازگار است، در حالی که کارت هاب برای lerobot/pi05_base شامل license: gemma. هر دو فعال هستند. GR00T N1.7 دارای یک نسخه ملایم‌تری است: README Isaac-GR00T به طور گذرا می‌گوید که N1.7 تحت Apache 2.0 کاملاً قابل مجوزدهی تجاری است، در حالی که بخش مجوز خودش و کارت مدل، فقط کد را تحت Apache 2.0 و وزن‌ها را تحت NVIDIA Open Model License قرار می‌دهند.

پیش‌فرض‌هایی که واقعاً اجرا خواهید کرد

هر فرم آموزش‌دهنده یک پیش‌فرض را ارائه می‌دهد و آنها خودسرانه نیستند. ACT متعلق به LeRobot است: بچ 8، lr 1e-5, 100000 گام‌های آموزشی، اندازه قطعه 100، مطابق با ACTConfig بالادستی و k=100 from the ACT paper. یک ستون در پایین یک تله است.

تنظیمی که بیش از انتخاب مدل اهمیت دارد

این تکه عمل است. تکه‌های طولانی‌تر حرکت نرم‌تر و خطاهای ترکیبی کمتری ایجاد می‌کنند، اما سیاست در حین اجرای بلوک متعهد می‌شود، بنابراین به هر چیزی که حرکت می‌کند دیر واکنش نشان می‌دهد: در مورد یک مکعب ثابت مطمئن است، اما در مورد یک مکعب غلتان ناامیدکننده. اگر از حد خود فراتر رود، کوتاه کردن بخش اجرا شده بهتر از آموزش مجدد است و رایگان است. مفصلی که زود متوقف می‌شود یک مشکل متفاوت است؛ به .

• ACT: ACTConfig به طور پیش‌فرض روی chunk_size 100 و n_action_steps 100 تنظیم شده است. تجمیع زمانی خاموش است و به n_action_steps 1 نیاز دارد.
• GR00T N1.7: افق داخلی از 16 به 40 افزایش یافت، با این حال مثال SO-101 LeRobot همچنان با --policy.chunk_size=16 --policy.n_action_steps=16 اجرا می‌شود. پرچم rollout به --execution-horizon تغییر نام یافت.
• Pi0.5: یک تکه 50 مرحله‌ای، که دستورالعمل LIBERO LeRobot 10 مرحله آن را از طریق --policy.n_action_steps=10 اجرا می‌کند؛ با --policy.pretrained_path اگر پرچم را حذف کنید، به 50 بازمی‌گردد.
• SmolVLA: تکه‌های 50 عملی، هر دو کنترل‌کننده در دسترس هستند.

چگونه هر پنج مورد را در یک بعدازظهر بررسی کنیم

ارزان‌ترین پاسخ، مطالعه بیشتر نیست. حدود 15 USD هزینه کنید و بگذارید بازو به شما بگوید: یک بار ضبط کنید، ابتدا مدل ارزان را آموزش دهید، پس از اثبات صحت داده‌ها، مقیاس را افزایش دهید. ساختار بر حجم غلبه می‌کند، این نکته اصلی و .

1. 1
   ۵۰ اپیزود را یک بار ضبط کنید

   پنجاه اپیزود، مسیر را برای GR00T، Pi0.5 و ACT، و ۳۰ اپیزود برای SmolVLA هموار می‌کند. هر تغییر را به جای پراکنده کردن، تکرار کنید: ۵۰ اپیزود در ۵ موقعیت مکعبی آموزش داده شد، در حالی که ۲۵ اپیزود آموزش داده نشد. برای اطلاعات بیشتر به اولین مجموعه داده خود را ضبط کنید مراجعه کنید.

   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
   ابتدا ACT را آموزش دهید، زیرا نمی‌تواند به شما دروغ بگوید

   بدون وزن‌های از پیش آموزش‌دیده، بنابراین اگر اصلاً وظیفه را انجام می‌دهد، مجموعه داده شما شامل آن وظیفه است. اگر ACT خط صاف نشان داد، داده‌ها را اصلاح کنید. ۱ تا ۳ دلار آمریکا، ۲ تا ۵ ساعت روی یک کارت ۲۴ گیگابایتی.

   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
   SmolVLA را روی همان مجموعه داده، بدون تغییر اجرا کنید

   همان داده‌ها، همان بازو، ۴۵۰ میلیون پارامتر به جای ۸۰ میلیون، به علاوه شرطی‌سازی زبانی. LeRobot یک اجرای ۲۰ هزار مرحله‌ای را تقریباً ۴ ساعت روی یک A100 تخمین می‌زند. این چیزی است که به شما می‌گوید آیا پیش‌آموزش فایده‌ای دارد یا خیر.

   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
   قبل از کار با GR00T، به v2.1 تبدیل کنید

   GR00T نسخه‌ای از فرمت LeRobot v2 را به همراه یک فایل اضافی meta/modality.json می‌خواند که نحوه تقسیم آرایه‌های حالت و عمل ادغام شده به فیلدهای نام‌گذاری شده را نگاشت می‌کند. یک مجموعه داده v3.0 این لودر را از کار می‌اندازد، زیرا v3.0 بسیاری از اپیزودها را در فایل‌های مشترک بسته‌بندی می‌کند، در حالی که v2 برای هر اپیزود یک فایل می‌نوشت. Isaac-GR00T ابزار کمکی برای کاهش نسخه را به عنوان scripts/lerobot_conversion/convert_v3_to_v2.py ارائه می‌دهد؛ صفحه رد شدن v3 مسیر سریع است.

   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
   فقط در صورتی به GR00T N1.7 ارتقا دهید که دو مورد اول نتیجه کافی ندادند

   از طریق CLI انویدیا، که در اینجا نشان داده شده است، یا نوع سیاست groot LeRobot. انویدیا ۴۰ گیگابایت یا بیشتر VRAM را برای تنظیم دقیق و ۱۶ گیگابایت را برای استنتاج توصیه می‌کند. در صورت بروز OOM، به صفحه OOM مراجعه کنید.

   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

دو روش برای اجرای این مرحله غربالگری

# 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

مدل پایه یا از ابتدا

چالش اصلی این نیست که کدام مدل 3B را انتخاب کنیم. بلکه این است که آیا اصلاً از یک VLA از پیش آموزش‌دیده استفاده کنیم یا خیر، با توجه به اینکه ACT شش وظیفه واقعی دو دستی را از حدود ده دقیقه نمایش برای هر کدام، با 80 میلیون پارامتر و بدون هیچ آموزش قبلی یاد گرفت.

مورد بازتولید یک اجرای قدیمی

دنبال کردن یک نقطه بازرسی 2025، انتخاب مدل را برای شما انجام می‌دهد و مشکل را به تثبیت نسخه تبدیل می‌کند: LeRobot فعلی N1.5 را رد می‌کند، بنابراین شما lerobot==0.5.1. با عدم وجود فیلد seed و 5 تا 6 درصد واریانس بین اجراها، بازتولید به طور ذاتی تقریبی است. و جنبه پلتفرم را پوشش می‌دهند.

به دو مورد رسیدید؟ ACT در برابر GR00T N1.7 و GR00T N1.7 در برابر SmolVLA. ردیف‌های خام در ورودی‌های آرنا قرار دارند: GR00T N1.7، Pi0.5، SmolVLA و ACT.

مواردی که این پلتفرم به شما کمک نمی‌کند

• این پلتفرم نمی‌تواند استنتاج از راه دور را سریع کند. حلقه 20 تا 485 میلی‌ثانیه متعلق به مدل است؛ رفت و برگشت‌های اینترنتی به آن اضافه می‌شوند.
• این پلتفرم نمی‌تواند GR00T یا Pi0.5 را روی سخت‌افزار شما تنظیم دقیق کند. هر دو در اینجا فقط ابری هستند؛ فقط SmolVLA و ACT به صورت محلی اجرا می‌شوند.
• این پلتفرم نمی‌تواند یک مجموعه داده را اصلاح کند. افت ضرر اما سیاست هیچ کاری نمی‌کند یک مشکل داده‌ای است، سیاستی که فقط در یک تنظیم کار می‌کند یک مشکل پوشش است.
• این پلتفرم نمی‌تواند اجرای GR00T را قابل بازتولید کند: پیکربندی بالادستی فیلد seed ندارد.

انتخاب یکی و ادامه دادن

یک پیش‌فرض: 50 اپیزود را ضبط کنید، ACT را با هزینه 1 تا 3 USD آموزش دهید تا مجموعه داده را اثبات کنید، سپس SmolVLA را روی همان داده‌ها. مجموعاً کمتر از 6 USD، و آنها به سوال مهم پاسخ می‌دهند: آیا پیش‌آموزش در اینجا کمک می‌کند، یا آیا گلوگاه داده‌ها هستند. برای وظایف چندمرحله‌ای با تماس زیاد به GR00T N1.7، و برای زمانی که صحنه تغییر می‌کند به Pi0.5 ارتقا دهید.

راهنمای پلتفرم: اولین خط‌مشی خود را آموزش دهید، سپس اولین خط‌مشی خود را اجرا کنید. مستندات آموزش و مستندات مجموعه داده شکل و فرمت را پوشش می‌دهند؛ صفحه SO-100 و راهنمای کامل SO-100 ساخت و کالیبراسیون را پوشش می‌دهند. پیش‌زمینه: مرور کلی VLA و مقاله تطبیق جریان Pi0. موردی که نرخ موفقیت شما را افزایش می‌دهد، راهنمای کیفیت داده.