Minkä VLA-politiikan tulisi kouluttaa vuonna 2026?

Viisi toimintamallia on koulutettavissa SO-100-luokan varteen tänään. Ne eroavat toisistaan 24-kertaisesti päättelyn viiveessä, 37-kertaisesti parametrien määrässä ja 12-kertaisesti ajon kustannuksissa, sekä siinä, saako tuloksen toimittaa. Viisi mallikorttia ei ratkaise sitä: yksikään ei vastaa kysymykseesi, minkä niistä ajan ensin?

Jokainen alla oleva luku on luettu papereista, repoista ja korteista elokuussa 2026. Alustan luvut tulevat osoitteesta AY-Robotsin toimintamalliluettelosta; jos nämä kaksi ovat ristiriidassa, molemmat näytetään.

Päätöstaulukko

Viisi ehdokasta

Kaikki viisi ovat käytäntöjä: kamerakehykset, nivelten asennot ja, neljälle niistä, kieliohje, joka on yhdistetty tulevien nivelten tavoitteiden osaan. Niitä erottaa se, kuinka paljon oli opittu ennen saapumistasi.

GR00T N1.7

NVIDIAn nykyinen visio-kieli-toimintamalli, noin 3 miljardia parametria, joista noin 40 miljoonaa koulutettu hienosäädön aikana. Repositorio listaa N1.6:n erot: runko toimitetusta Eagle-mallista Cosmos-Reason2-2B:hen Qwen3-VL:ssä, diffuusiokerrokset 32:sta 16:een, tila- ja toimintadimensiot 29:stä 132:een, toimintahorisontti 16:sta 40:een.

Pienessä varressa tärkeää on suhteellinen tarttujan toimintatila: N1.7 ennustaa eroja nykyisestä asennosta, mikä mahdollistaa 20 000 tunnin EgoScale-ihmisvideon siirtämisen robottikäytäntöön. Tekniset tiedot N1.7-sivulla, menettely N1.7 SO-100 -oppaassa.

GR00T N1.5

Sama 3 B mittakaava, Eagle 2 -runkoverkko, SigLip2 ja T5, virtaussovitus-DiT-pää. Se on olemassa laajentaakseen jonka sinulla jo on. Kaksi asiaa tekee siitä huonon oletuksen: painot sisältävät NVIDIAn yksisuuntaisen ei-kaupallisen lisenssin, ja nykyiset LeRobot-julkaisut poistivat N1.5-tuen. Katso .

Pi0.5

Physical Intelligencen VLA, toimintatyyppi pi05. Artikkeli esittelee 2 B VLM:n, joka on alustettu PaliGemma-mallista ja johon on lisätty 300 M toiminta-asiantuntija, ohjaten robottia 50 Hz:n taajuudella; LeRobotin pi05-konfiguraatio oletuksena käyttää 50-askeleen palasta, yhden sekunnin ajan tällä nopeudella. Myyntivaltti on ennennäkemättömät paikat: noin 400 tuntia mobiilia manipulointia oikeissa kodeissa, ja skaalaustutkimus yli 3, 12, 22, 53, 82 ja 104 sijainnissa, missä 104 sijainnin malli vastasi itse testikodeissa koulutettua kontrollia.

Yksi rajoitus, joka on ilmoitettu lerobot/pi05_base kortilla: portti kantaa vain virtaukseen sopivan toimintapään. Alitehtävän ennustus, toiminnon tokenisointi ja vahvistusoppiminen (RL) eivät olleet julkaistu ylävirtaan, ja openpi sanoo saman omasta repositoriostaan. Pi0.5-sivu ja Pi0.5 SO-100 -opas sisältävät loput.

SmolVLA

450 M parametria, noin 100 M toimintaekspertissä, SmolVLM-2:ssa VLM jäädytettynä ja vain sen ensimmäiset 16 kielimallikerrosta käytettynä. Esikoulutus oli yhteisön dataa: 481 datasettiä, 10.6 M kehystä, samoista halvoista käsivarsista, joita käytät. Ainoa VLA täällä, joka mahtuu yhdelle 24 GB kortille, ja ainoa 30 episodi lattia. Katso SmolVLA-sivu.

ACT

Ei perusmalli. ALOHAn Action Chunking Transformer on noin 80 miljoonan parametrin malli, joka on koulutettu alusta alkaen tehtäväkohtaisesti, 50 demonstraation perusteella 50 Hz:n taajuudella. Tutkimusraportti kuvaa kuusi todellista kahden käden tehtävää noin kymmenen minuutin demonstraatioista kutakin, 80–90 prosentin onnistumisella korostamissaan esimerkeissä. Sen idea, toimintojen pilkkominen, on jokaisessa tällä sivulla esitellyssä mallissa, ja sen ablaatio mittaa edelleen vaikutusta parhaiten: kahdessa simuloidussa tehtävässä, joissa ajallinen ensemblointi oli pois päältä, onnistumisprosentti nousee 1 prosentista k=1:llä 44 prosenttiin k=100:lla. ACT-sivu sisältää loput.

Mitä vertailuarvot todella kertovat

LIBERO on se vertailuarvo, josta kolme näistä viidestä raportoi: kieliohjatut tehtävät simuloidulla Franka Pandalla, jaettu neljään alla olevaan sarjaan, joissa kussakin on kymmenen tehtävää. NVIDIA suoritti 200 koetta sarjaa kohden.

SimplerEnv näyttää hajautuksen, mitä LIBERO ei tee. NVIDIA vertaa N1.7:ää N1.6:een, mikä on lähin julkinen asia sukupolvien väliseen eroon.

Bridge-rivi on hyödyllinen: keskimäärin 5,7 pistettä voitettiin, kun put_eggplant_in_basket menetti 36 ja put_eggplant_in_sink putosi 33:sta 2:een. Uusi sukupolvi siirtää jakaumaa sen sijaan, että nostaisi sitä, joten jos tehtäväsi sijoittuu kohtaan, jossa N1.7 heikkeni, keskiarvo ei kerro mitään.

Viidestä vain SmolVLA-julkaisu raportoi SO-100-luokan varresta: 78,3 prosenttia SmolVLAlle ja 61,7 Pi0:lle kolmessa tehtävässä, molemmat monitehtäväisiä, verrattuna 48,3:een ACT:lle, joka on koulutettu yksitehtäväiseksi, mikä ei ole vertailukelpoista. Selkeä paritus on molemmat yksitehtäväisiä SO-101-poiminta- ja sijoitustehtävässä: 90 vastaan 70 jakaumassa, 50 vastaan 40 sen ulkopuolella. Vertaa ACT vs. SmolVLA ja Pi0.5 vs. SmolVLA, tai selaa areenaa.

Viive ja kustannukset ratkaisevat käyttöönoton

Päättelyn latenssi on rajoite, jonka ihmiset löytävät viimeisenä ja katuvat ensimmäisenä. Politiikka, joka on viisi pistettä parempi vertailuarvossa, mutta puoli sekuntia per toimintavaihe, näyttää huonommalta työpöydälläsi: kontaktidynamiikka ei odota.

Yksi huomautus: GR00T-luku on ristiriidassa NVIDIAn kortin kanssa, joka mittaa 4 kohinanpoistovaihetta ja yhden kameran 85,8 ms:ssa H100:lla eager-tilassa, 48,6 ms torch.compile-tilassa, 27,9 ms täydellä TensorRT:llä. Tässä mainittu 152 ms on koko pinon luku, joka sisältää palvelun yleiskustannukset ja useamman kuin yhden kameran, ei eteenpäinsyöttöä.

Yksi tapa säästää aikaa mallia muuttamatta: SmolVLA-paperi mittaa synkronista suoritusta, jossa politiikka suorittaa lohkon ennen seuraavan ennustamista, verrattuna asynkroniseen, jossa ennustus ja suoritus menevät päällekkäin. Menestys on samanlainen, 78,3 verrattuna 73,3:een, mutta sama poiminta- ja sijoitustehtävä kestää 9,7 sekuntia 13,75:n sijaan, ja kiinteässä ikkunassa robotti suorittaa 19 sykliä 9:n sijaan.

Lisenssit, tarkistettu koska kukaan ei tarkista niitä

Pi0.5-rivi vaatii huomiota. LeRobot pi05 -dokumentaatio ilmoittaa Apache 2.0:n olevan yhdenmukainen openpin kanssa, kun taas Hub-kortti mallille lerobot/pi05_base sisältää license: gemma. Molemmat ovat voimassa. GR00T N1.7:llä on lievennetty versio: Isaac-GR00T README mainitsee ohimennen, että N1.7 on täysin kaupallisesti lisensoitavissa Apache 2.0:n alla, kun taas sen oma lisenssiosio ja mallikortti asettavat vain koodin Apache 2.0:n alle ja painot NVIDIA Open Model License -lisenssin alle.

Oletusarvot, joita todella käytät

Jokainen kouluttajan lomake sisältää oletusarvon, eivätkä ne ole mielivaltaisia. ACT:n omat ovat LeRobotin: erä 8, lr 1e-5, 100000 koulutusaskeleet, lohkon koko 100, vastaa ACTConfigia ylävirrassa ja k=100 from the ACT paper. Yksi alla oleva sarake on ansa.

Säädin, jolla on enemmän merkitystä kuin mallin valinnalla

Se on toimintalohko. Pidemmät lohkot tuottavat tasaisempaa liikettä ja vähemmän kumuloituvia virheitä, mutta toimintaperiaate on sitoutunut lohkon suorituksen ajan, joten se reagoi myöhään kaikkeen liikkuvaan: luottavainen staattisen kuution kanssa, toivoton vierivän kanssa. Jos se ylittää tavoitteen, suoritetun osan lyhentäminen on parempi kuin uudelleenkoulutus ja se on ilmaista. Liitos, joka pysähtyy liian aikaisin, on eri ongelma; katso .

• ACT: ACTConfigin oletusarvot ovat chunk_size 100 ja n_action_steps 100. Ajallinen yhdistäminen on pois päältä ja vaatii n_action_steps 1.
• GR00T N1.7: sisäinen horisontti kasvoi 16:sta 40:een, mutta LeRobotin SO-101-esimerkki käyttää edelleen --policy.chunk_size=16 --policy.n_action_steps=16. Rollout-lippu nimettiin uudelleen --execution-horizon.
• Pi0.5: 50-askeleen lohko, josta LeRobotin LIBERO-resepti suorittaa 10 komennolla --policy.n_action_steps=10; --policy.pretrained_path -lipun kanssa se palaa 50:een, jos jätät lipun pois.
• SmolVLA: 50-toiminnon lohkot, molemmat säätimet esillä.

Miten seuloa kaikki viisi yhden iltapäivän aikana

Halvin vastaus ei ole lisälukeminen. Käytä noin 15 USD ja anna robotin kertoa sinulle: tallenna kerran, kouluta ensin halpa malli, eskaloitu sitten, kun se on osoittanut datan olevan luotettavaa. Rakenne voittaa volyymin, mikä on ja ydin.

1. 1
   Tallenna 50 jaksoa kerran

   Viisikymmentä raivaa tilaa GR00T:lle, Pi0.5:lle ja ACT:lle, sekä SmolVLA:n 30:lle. Toista jokaista variaatiota sen sijaan, että levittäisit ohuesti: 50 jaksoa viidessä kuution asennossa koulutettuna, kun 25 ei ollut. Katso tallenna ensimmäinen datasettisi.

   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
   Kouluta ACT ensin, koska se ei voi valehdella sinulle

   Ei esikoulutettuja painoja, joten jos se ylipäätään suorittaa tehtävän, datasettisi sisältää tehtävän. Jos ACT tasaantuu, korjaa data. 1–3 USD, 2–5 tuntia 24 GB:n kortilla.

   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
   Aja SmolVLA samalla datasettillä, muuttumattomana

   Sama data, sama varsi, 450 miljoonaa parametria 80 miljoonan sijaan, plus kielen ehdollistaminen. LeRobot suorittaa 20K askeleen ajon noin 4 tunnissa yhdellä A100:lla. Tämä kertoo sinulle, tuottaako esikoulutus mitään hyötyä.

   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
   Muunna v2.1:een ennen kuin kosket GR00T:hen

   GR00T lukee LeRobot v2 -muodon variantin sekä ylimääräisen meta/modality.json-tiedoston, joka kuvaa, miten yhdistetyt tila- ja toimintataulukot jakautuvat nimettyihin kenttiin. V3.0-datasetti kaataa kyseisen lataajan, koska v3.0 pakkaa monta jaksoa jaettuihin tiedostoihin, kun v2 kirjoitti yhden jakson per tiedosto. Isaac-GR00T toimittaa alaspäin muuntamisen apuohjelman nimellä scripts/lerobot_conversion/convert_v3_to_v2.py; v3-hylkäyssivu on nopein reitti.

   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
   Siirry GR00T N1.7:ään vain, jos kaksi ensimmäistä jättivät jotain pöydälle

   NVIDIAn CLI:n kautta, kuten tässä näytetään, tai LeRobotin groot-käytäntötyypin kautta. NVIDIA suosittelee 40 GB tai enemmän VRAM-muistia hienosäätöön, 16 GB päättelyyn. Jos muisti loppuu (OOM), katso OOM-sivu.

   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

Kaksi tapaa suorittaa seulontakierros

# 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

Perusmalli vai alusta alkaen

Todellinen valinta ei ole, mikä 3 B -malli valita. Se on pikemminkin se, kannattaako esikoulutettua VLA:ta ylipäätään käyttää, ottaen huomioon, että ACT oppi kuusi todellista kahden käden tehtävää noin kymmenen minuutin demonstraatioista kutakin kohden, 80 miljoonalla parametrilla ja eikä mitään esikoulutettua.

Vanhan ajon toistamisen tapaus

Vuoden 2025 tarkistuspisteen tavoittelu tekee mallivalinnan puolestasi ja muuttaa ongelman version lukitsemiseksi: nykyinen LeRobot hylkää N1.5:n, joten lukitset lerobot==0.5.1. Ilman siemenkenttää ja 5–6 prosentin vaihtelua ajojen välillä, toisto on rakenteeltaan likimääräinen. N1.5 SO-100 -opas ja N1.5-käytäntösivu sisältävät alustan puolen.

Kahteenkö? ACT vastaan GR00T N1.7 ja GR00T N1.7 vastaan SmolVLA. Raakarivit löytyvät areenamerkinnöistä: GR00T N1.7, Pi0.5, SmolVLA ja ACT.

Missä tämä alusta ei auta sinua

• Se ei voi nopeuttaa etäpäättelyä. 20–485 ms:n silmukka kuuluu mallille; internetin edestakaiset matkat lisäävät siihen aikaa.
• Se ei voi hienosäätää GR00T:tä tai Pi0.5:tä omalla laitteistollasi. Molemmat ovat täällä vain pilvipohjaisia; vain SmolVLA ja ACT toimivat paikallisesti.
• Se ei voi korjata datasettiä. Häviö laskee, mutta toimintaperiaate ei tee mitään on dataongelma, toimintaperiaate, joka toimii vain yhdessä asetelmassa on kattavuusongelma.
• Se ei voi tehdä GR00T-ajoista toistettavia: ylävirran konfiguraatiossa ei ole siemenkenttää.

Yhden valitseminen ja eteenpäin siirtyminen

Yksi oletus: tallenna 50 jaksoa, kouluta ACT 1–3 USD:lla todistaaksesi aineiston, sitten SmolVLA samalla datalla. Yhteensä alle 6 USD, ja ne vastaavat tärkeään kysymykseen: auttaako esikoulutus tässä, vai onko pullonkaula data. Skaalaa GR00T N1.7:ään kosketusrikkaisiin monivaiheisiin tehtäviin, Pi0.5:een kun kohtaus muuttuu.

Alustan läpikäynti: kouluta ensimmäinen toimintamallisi, sitten suorita ensimmäinen toimintamallisi. koulutusdokumentaatio ja aineistodokumentaatio kattavat muodon ja formaatin; SO-100-sivu ja täydellinen SO-100-opas kattavat rakentamisen ja kalibroinnin. Taustaa: VLA-yleiskatsaus ja Pi0-virtaussovitusartikkeli. Se, mikä parantaa onnistumisprosenttiasi, on datan laatuopas.