Kako trenirati GR00T N1.7 na vlastitom SO-100 skupu podataka

NVIDIA isporučuje primjer finog podešavanja za točno onu ruku koju vjerojatno posjedujete. Unutar Isaac-GR00T repozitorija nalazi se mapa pod nazivom demo_data/cube_to_bowl_5: pet epizoda, 4.148 sličica pri 30 fps, već napisanih kao LeRobot v2.1, s odgovarajućom konfiguracijom modaliteta pod examples/SO100/. Njegov meta/info.json izvještava robot_type: so101_follower, što je u LeRobotu ista klasa konfiguracije kao so100_follower. To je zaista korisno, jer znači da je referentna putanja za GR00T N1.7 na hobi ruci sa šest stupnjeva slobode održavaju ljudi koji su napisali model. To nije smanjena humanoidna demonstracija, to je ista ruka.

Loša vijest je udaljenost između Snimio sam 60 epizoda i ruka obavlja zadatak. Postoji oko šest mjesta gdje ovaj cjevovod tiho, a ne glasno, zataji, a četiri od njih nalaze se u datotekama koje većina ljudi nikada ne otvara: meta/modality.json, konfiguracija Python podataka, meta/relative_stats.json, i vlastiti verzijski niz skupa podataka. Ovaj vodič prolazi ručnu rutu od početka do kraja sa stvarnim naredbama, a zatim prikazuje isti posao kao obrazac na AY-Robots. Sve dolje navedeno provjereno je u odnosu na glavnu granu Isaac-GR00T od 20. kolovoza 2026. (linija izdanja n1.7) i lerobot 0.6.1, objavljen na PyPI-ju 3. kolovoza 2026. Upstream se brzo mijenja, a gdje je zastavica preimenovana, ovaj članak to navodi.

Što je zapravo GR00T N1.7

GR00T N1.7 je vizualno-jezično-akcijski model s rasporedom dvostrukog sustava opisanim u izvornom GR00T N1 radu: vizualno-jezični modul koji čita kamere i upute, te difuzijski transformator koji to pretvara u blok kontinuiranih motornih naredbi. N1.7 je zamijenio prvu polovicu. Eagle okosnica iz N1.6 je uklonjena, zamijenjena za nvidia/Cosmos-Reason2-2B na Qwen3-VL arhitekturi, a model je predobučen na otprilike 20.000 sati egocentričnog ljudskog videa povrh robotskih podataka. NVIDIA-in vlastiti izvještaj navodi brojku od 20.854 sata i izvještava da prelazak s 1k na 20k sati više nego udvostručuje prosječnu uspješnost zadatka.

Druga polovica se također promijenila, na načine koji su važni za vaše izvođenje. Akcijska glava je smanjena s 32 difuzijska sloja na 16, predviđeni akcijski blok je narastao sa 16 koraka na 40, a maksimalna širina stanja i akcije je porasla s 29 na 132. Te tri brojke dolaze iz changeloga u README-u repozitorija; NVIDIA-ina vlastita objava i dalje opisuje Sustav 1 kao 32-slojni DiT, pa gdje se ta dva izvora ne slažu, vjerujte repozitoriju koji ćete klonirati. Akcije su po zadanim postavkama izražene u relativnom prostoru krajnjeg efektora prostoru, delte od trenutne poze umjesto apsolutnih ciljeva, što omogućuje prijenos manipulacijskih predznanja naučenih iz ljudskog videa u robotsku kontrolu. Sama glava je flow-matching difuzijski transformator, iste obitelji kao Pi0.5, ali s drugačijom okosnicom ispred. Ako ste još uvijek na prethodnoj generaciji, N1.7 u usporedbi s N1.5 pokriva je li nadogradnja opravdava ponovno postavljanje vašeg cjevovoda.

Posljednja tri retka objašnjavaju većinu razočaranja koje ljudi prijavljuju. Naslovnih 27.9 ms odnosi se na TensorRT pogon na H100 s jednom kamerom i četiri koraka denoisiranja. Obični PyTorch na istoj kartici iznosi 85.8 ms, a kartica modela navodi razliku od 3.08x. Nijedna brojka ne uključuje sloj posluživanja, drugu kameru ili mrežni skok. 152 ms po akcijskom koraku koje AY-Robots navodi za svoj posluženi GR00T N1.7 je brojka s posluživanjem u petlji, a povrh toga dolazi i povratno putovanje preko javnog interneta. Više o tome na kraju. Za brojke pored drugih modela, GR00T N1.7 u usporedbi s Pi0.5 i GR00T N1.7 u usporedbi sa SmolVLA prikazuju ih usporedo.

Što je potrebno za pokretanje prije nego što išta upišete

Korak 0: same epizode

Sve u nastavku pretpostavlja da već imate snimljene epizode. Ako nemate, to je pravi prvi korak i on je taj koji odlučuje koliko dobar rezultat može biti, jer učenje imitacijom ne može oporaviti informacije koje nisu u podacima. Prvo kalibrirajte obje ruke, zatim upravljajte sljedbenikom s vodećom rukom dok lerobot-record piše parquet datoteke i streamove kamere. Ako kalibracija nije ispravna, vrijednosti zglobova u vašem skupu podataka opisuju malo drugačijeg robota od onog koji će kasnije izvršavati politiku, i nikakva količina treninga to ne može popraviti.

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}, wrist: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30}}" \
    --teleop.type=so100_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_leader_arm \
    --dataset.repo_id=${HF_USER}/cube-into-bowl \
    --dataset.num_episodes=60 \
    --dataset.single_task="put the cube in the yellow bowl" \
    --display_data=true

Vlastiti savjet LeRobota je snimiti najmanje 50 epizoda s otprilike 10 po lokaciji objekta, držati kamere fiksiranima i održavati dosljedno ponašanje hvatanja. Dodajte varijacije kasnije, ne na početku. Pravilo koje vrijedi zapamtiti: ako sami niste mogli izvršiti zadatak samo na temelju slika s kamere, politika također ne može. Za postavljanje specifično za ruku, SO-100 početak rada i stranica SO-100 LeRobot pokrivaju portove, kalibraciju i indekse kamere. Na AY-Robotsu to također možete učiniti putem interneta iz preglednika koristeći teleoperaciju i snimati izravno iz sesije.

Korak 1: skup podataka mora biti LeRobot v2.1

Ovo je najčešća prepreka. Trenutna verzija LeRobota CODEBASE_VERSION na glavnoj grani je v3.0, tako da sve što danas snimite s trenutnim skupom alata izlazi kao v3.0. GR00T-ov učitavač očekuje v2. Repozitorij je eksplicitan o razlogu: mnogi uzvodni skupovi podataka kao što su DROID, LIBERO i Bridge objavljeni su u v2, a izvorna podrška za oba je planirana, ali nije isporučena. Dakle, konverzija je na vama, i pokreće se u vlastitom virtualnom okruženju iz konkretnog razloga: scripts/lerobot_conversion nosi vlastiti pyproject koji zahtijeva Python 3.10 ili 3.11 i fiksira lerobot na jedan git commit, dok sam Isaac-GR00T zahtijeva Python 3.12. Instalirajte konverter iz korijena repozitorija i dobit ćete paket gr00t umjesto toga, što je greška na koju upozorava njegov README. Ako ste novi u formatu, LeRobot skup podataka unos u rječniku objašnjava što se zapravo nalazi unutra.

# from the Isaac-GR00T repo root
cd scripts/lerobot_conversion
uv venv
source .venv/bin/activate
uv pip install -e . --verbose

# pulls the dataset from the Hub and writes a v2.1 copy into the default cache
python convert_v3_to_v2.py --repo-id <your-hf-user>/<your-dataset>

# or, back in the repo root, keep it next to the SO-100 example
uv run --project scripts/lerobot_conversion \
  python scripts/lerobot_conversion/convert_v3_to_v2.py \
  --repo-id <your-hf-user>/<your-dataset> \
  --root examples/SO100/my_dataset_lerobot

Struktura koju GR00T želi nakon konverzije je klasični v2 raspored: meta/info.json, meta/episodes.jsonl, meta/tasks.jsonl, parquet datoteke pod data/chunk-000/, MP4 datoteke pod videos/chunk-000/observation.images./, i jedna dodatna datoteka koju standardni LeRobot nema. Ta dodatna datoteka je mjesto gdje se nalazi većina preostalih grešaka.

Korak 2: modality.json, šest brojeva koji odlučuju o svemu

U LeRobot skupu podataka stanje robota i akcija pohranjeni su kao ravni float32 nizovi. Za SO-100 oba imaju oblik [6]: pet zglobova ruke i hvataljka. Demo skup podataka ih imenuje shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos, ali ta imena žive u info.json i ništa u parquet datoteci ne govori koji je indeks koji. meta/modality.json pruža to mapiranje, a GR00T neće trenirati bez njega. Evo onog koji repozitorij isporučuje za SO-100, doslovno.

{
  "state": {
    "single_arm": {
      "start": 0,
      "end": 5
    },
    "gripper": {
      "start": 5,
      "end": 6
    }
  },
  "action": {
    "single_arm": {
      "start": 0,
      "end": 5
    },
    "gripper": {
      "start": 5,
      "end": 6
    }
  },
  "video": {
    "front": {
      "original_key": "observation.images.front"
    },
    "wrist": {
      "original_key": "observation.images.wrist"
    }
  },
  "annotation": {
    "human.task_description": {
      "original_key": "task_index"
    }
  }
}

Kopirajte ga u svoj konvertirani skup podataka na meta/modality.json i preimenujte video ključeve u ono kako se vaše kamere zapravo zovu. Ako ste snimali s jednom nadglavnom kamerom nazvanom top, tada je original_key observation.images.top a prijateljsko ime je ono na što će se vaša konfiguracija podataka referencirati. Oboje se moraju slagati, i nijedno od njih ne provjerava drugo umjesto vas. Jezična anotacija je gora, jer se isti ključ mora pojaviti na tri mjesta.

Korak 3: konfiguracija podataka, relativna ruka i apsolutni hvatač

Konfiguracija modaliteta je Python datoteka, a ne JSON, jer također određuje kako je svaka akcijska grupa predstavljena. Ovo je dio N1.7 radnog toka koji nije postojao u istom obliku u N1.5, i dio koji vrijedi pročitati dvaput. Isporučena SO-100 konfiguracija predviđa pet zglobova ruke kao RELATIVNE delte od trenutnog stanja i hvataljku kao APSOLUTNU ciljnu poziciju, jer se binarni signal otvorenog ili zatvorenog stanja bolje ponaša kao cilj nego kao delta.

from gr00t.configs.data.embodiment_configs import register_modality_config
from gr00t.data.embodiment_tags import EmbodimentTag
from gr00t.data.types import (
    ActionConfig, ActionFormat, ActionRepresentation, ActionType, ModalityConfig,
)

so100_config = {
    "video": ModalityConfig(
        delta_indices=[0],                       # current frame only
        modality_keys=["front", "wrist"],        # must match modality.json
    ),
    "state": ModalityConfig(
        delta_indices=[0],
        modality_keys=["single_arm", "gripper"],
    ),
    "action": ModalityConfig(
        delta_indices=list(range(0, 16)),        # predict 16 future steps
        modality_keys=["single_arm", "gripper"],
        action_configs=[
            ActionConfig(rep=ActionRepresentation.RELATIVE,   # arm joints
                         type=ActionType.NON_EEF,
                         format=ActionFormat.DEFAULT),
            ActionConfig(rep=ActionRepresentation.ABSOLUTE,   # gripper
                         type=ActionType.NON_EEF,
                         format=ActionFormat.DEFAULT),
        ],
    ),
    "language": ModalityConfig(
        delta_indices=[0],
        modality_keys=["annotation.human.task_description"],
    ),
}

register_modality_config(so100_config, embodiment_tag=EmbodimentTag.NEW_EMBODIMENT)

Dva detalja ovdje će vas koštati dan ako ih ne znate. Prvo, action_configs je pozicijski: dokumentacija zahtijeva istu duljinu i isti redoslijed kao modality_keys, i izravni su u vezi s posljedicama pogreške, a to je da se pogrešna reprezentacija primjenjuje tiho. Vaša hvataljka se trenira kao delta, a vaša ruka kao apsolutni cilj, i nema poruke o pogrešci. Drugo, register_modality_config tvrdi da oznaka već nije registrirana, tako da druga NEW_EMBODIMENT konfiguracija u istom Python procesu umire s Embodiment tag ... already registered. Ne možete uvesti dvije ovakve u jednu skriptu. Treće pravilo se provodi kasnije, pri implementaciji: akcija delta_indices mora biti neprekinuti raspon koji počinje od nule. Rijedak prozor kao što je [0, 4, 8] se odbija, jer sve nizvodno indeksira predviđeni dio linearno i inače bi izvršilo pogrešne retke.

Korak 4: okruženje

N1.7 je premjestio repozitorij na i Python 3.12. Stara conda plus pip install -e . putanja još uvijek postoji u sažetom dijelu README-a, ali upozorava da GPU ovisnosti, uključujući flash-attn i TensorRT, možda zahtijevaju ručnu instalaciju. Koristite uv osim ako nemate specifičan razlog da to ne učinite. Što se tiče flash-attn-a, jedan detalj štedi zabunu: vidjet ćete Installing flash-attn ispisano pri svakom uv run. Ne radi se o ponovnoj izgradnji. uv ponovno provjerava valjanost URL-prikvačenog wheela koji je već keširan, i to traje dvije do tri sekunde.

1. 1
   Instalirajte git-lfs, zatim klonirajte sa submodulima

   git-lfs je obavezan, nije opcionalan. Bez njega parquet datoteke u demo_data/ dolaze kao pokazivački stubovi, a demo pokretanje ne uspijeva na skupu podataka koji izgleda prisutan u popisu datoteka.

   bash

   sudo apt install git-lfs && git lfs install
   git clone --recurse-submodules https://github.com/NVIDIA/Isaac-GR00T
   cd Isaac-GR00T

2. 2
   Instalirajte uv i sinkronizirajte okruženje

   Zadana instalacija povlači GPU ovisnosti uključujući flash-attn i TensorRT. Na svježoj A100 ili H100 slici ovo je najduži pojedinačni korak, stoga ga učinite prije nego što počnete obraćati pažnju na bilo što drugo.

   bash

   curl -LsSf https://astral.sh/uv/install.sh | sh
   sudo apt-get update && sudo apt-get install -y ffmpeg
   uv sync --python 3.12
   uv run python -c "import gr00t; print('GR00T installed successfully')"

3. 3
   Autentificirajte se protiv Hugging Face-a

   Učinite ovo prije prvog pokretanja treninga, a ne nakon što ne uspije osam minuta kasnije.

   bash

   uv run huggingface-cli login   # or: export HF_TOKEN=<your_token>

4. 4
   Provjera ispravnosti na isporučenim SO-100 demo podacima

   Prije nego što dirnete vlastitu snimku, pokrenite 2000 koraka na demo_data/cube_to_bowl_5. To je pet epizoda, brzo završava i dokazuje okruženje, a ne vaše podatke. Ako ovo pokretanje ne uspije, ništa što učinite sa svojim skupom podataka neće pomoći.

   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

Korak 5: naredba za fino podešavanje i stvarne zadane vrijednosti njezinih zastavica

Zamijenite demo skup podataka svojim i dodajte postavke koje stvarno želite. Ispod je puni oblik koji repozitorij koristi u vlastitom vodiču za novo utjelovljenje, uključujući zastavice za augmentaciju i spremanje kontrolnih točaka koje kratki primjer iz README-a izostavlja. Ovo je u užem smislu: jezična okosnica i vizualni enkoder ostaju zamrznuti, a ono što se trenira su projektor i difuzijska akcijska glava.

export NUM_GPUS=1
CUDA_VISIBLE_DEVICES=0 uv run python \
    gr00t/experiment/launch_finetune.py \
    --base-model-path nvidia/GR00T-N1.7-3B \
    --dataset-path ./my_dataset_lerobot \
    --embodiment-tag NEW_EMBODIMENT \
    --modality-config-path examples/SO100/so100_config.py \
    --num-gpus $NUM_GPUS \
    --output-dir /tmp/so100 \
    --save-total-limit 5 \
    --save-steps 2000 \
    --max-steps 20000 \
    --use-wandb \
    --global-batch-size 32 \
    --color-jitter-params brightness 0.3 contrast 0.4 saturation 0.5 hue 0.08 \
    --dataloader-num-workers 4

Taj zadnji redak nije pogreška u tipkanju. launch_finetune.py je tyro CLI generiran iz dataclassa, a taj dataclass nema polje za seed. README zasebno navodi 5 do 6 posto varijacije između pokretanja uzrokovane nedeterminističkom augmentacijom slike. Dva pokretanja s identičnim zastavicama neće proizvesti identične kontrolne točke, što je vrlo važno kada pokušavate odlučiti je li promjena hiperparametra pomogla ili ste imali sreće. Za usporedbu, lerobotov vlastiti trener podrazumijeva seed 1000, a LeRobot GR00T recept prosljeđuje --seed=42 eksplicitno.

Koliko košta pokretanje od 20000 koraka

GR00T N1.7 treba karticu od 80 GB, tako da pitanje troškova ima uzak odgovor. Na AY-Robots, groot1.7 trener radi na A100 80 GB ili H100 80 GB razini, gdje pokretanje traje 3 do 6 sati po cijeni od 1.20 do 2.00 USD po satu na spot tržištu. To je otprilike 4 do 12 USD za zadani posao od 20000 koraka. Isti zadatak na SmolVLA ili ACT radi na kartici od 24 GB po cijeni od 0.30 do 0.60 USD po satu i 1 do 3 USD po pokretanju. To je pravi kompromis: GR00T košta otprilike četiri puta više po pokušaju, a ne možete ga pokrenuti na 4090 ispod vašeg stola.

Minimalnih 50 epizoda minimum je donja granica, a ne cilj. NVIDIA-in vlastiti FAQ je zahtjevniji: otprilike 100 putanja za jednostavno podizanje i postavljanje na fiksnoj lokaciji, 500 ili više za složene scene s više koraka, te 100 do 500 za finu manipulaciju. Ako imate 20 epizoda, provedite poslijepodne snimajući umjesto da navečer ugađate. vodič za prikupljanje podataka pokriva što korisnu epizodu razlikuje od protraćene, snimite svoj prvi skup podataka je kratka verzija, a prikupljanje podataka za SO-100 je specifična za ruku.

Korak 6: evaluacija otvorene petlje prije nego što dodirnete ruku

Nemojte stavljati svježi kontrolnu točku na fizičku ruku kako biste saznali je li trening uspio. Prvo pokrenite evaluaciju otvorene petlje. Ona ponavlja snimljenu epizodu, traži od modela akcije u svakom koraku i iscrtava predviđanje u odnosu na stvarnu vrijednost s MSE i MAE. Ne košta ništa i hvata pogreške mapiranja iz koraka 2 i 3.

uv run python gr00t/eval/open_loop_eval.py \
    --dataset-path ./my_dataset_lerobot \
    --embodiment-tag NEW_EMBODIMENT \
    --model-path /tmp/so100/checkpoint-20000 \
    --traj-ids 0 \
    --execution-horizon 16 \
    --steps 400 \
    --modality-keys single_arm gripper

Repozitorij namjerno odbija objaviti ciljani MSE za prilagođene podatke, i to je ispravna odluka: broj ovisi o vašim akcijskim jedinicama, vašem zadatku i veličini vašeg skupa podataka, tako da prag kopiran s tuđe ruke ne znači ništa. Ono što je značajno je trend. Ovdje je referentno pokretanje koje repozitorij dokumentira na jednom H100 s demo skupom podataka od pet epizoda i 2000 koraka.

Oblik je signal, a ne apsolutne vrijednosti. Pogreška bi trebala postojano padati kako se koraci treninga akumuliraju. Prosječno kroz svih pet epizoda treninga, a ne samo kroz trajektoriju 0, konačna kontrolna točka repozitorija postigla je otprilike 7.5 MSE i 1.5 MAE, tako da se čak i referentno pokretanje različito tumači ovisno o tome koje epizode prosječite. Zabilježite vlastitu početnu vrijednost na nemodificiranoj demo naredbi prije nego što promijenite bilo što u vezi s vlastitim podacima: ako ne možete reproducirati poznato dobro pokretanje, ne možete razlikovati pogrešku u postavljanju od problema s podacima. Repozitorij također mapira uobičajene simptome na uzroke, i svaki od njih je operativan, a ne greška modela.

Drugi put: lerobot-train umjesto Isaac-GR00T

Trenutna LeRobot verzija, 0.6.1 na PyPI-ju od 3. kolovoza 2026., nudi drugi i prilično drugačiji način finog podešavanja istih baznih težina. LeRobot izlaže GR00T N1.7 kao tip politike i trenira ga kroz vlastitu lerobot-train ulaznu točku. Dvije su stvari ovdje važne. LeRobot CLI je skup konzolnih skripti, tako da je sve što pročitate što kaže python lerobot/scripts/train.py zastarjelo i neće se pokrenuti. I LeRobot je u potpunosti uklonio podršku za GR00T N1.5, odbijajući N1.5 kontrolne točke i konfiguracije s napomenom o migraciji, pa ako trebate N1.5 kroz LeRobot, morate fiksirati lerobot==0.5.1, posljednju verziju koja ga podržava, objavljenu 7. travnja 2026.

pip install "lerobot[groot]" "lerobot[training]"
hf auth login

lerobot-train \
  --dataset.repo_id=$HF_USER/$DATASET_NAME \
  --dataset.image_transforms.enable=true \
  --policy.type=groot \
  --policy.device=cuda \
  --policy.base_model_path=nvidia/GR00T-N1.7-3B \
  --policy.embodiment_tag=new_embodiment \
  --policy.chunk_size=16 \
  --policy.n_action_steps=16 \
  --policy.use_relative_actions=true \
  --policy.relative_exclude_joints='["gripper"]' \
  --policy.use_bf16=true \
  --seed=42 \
  --batch_size=64 \
  --steps=20000 \
  --save_freq=5000 \
  --output_dir=$OUTPUT_DIR

Dva načina za dobivanje iste kontrolne točke

Vraćanje kontrolne točke na ruku

Isaac-GR00T koristi podjelu poslužitelj-klijent preko ZMQ-a. Politika se izvodi na GPU-u, a tanki klijent na robotskom stroju šalje opažanja i prima dijelove akcija. Primjer SO-100 je dovoljno potpun za kopiranje: pokrenite run_gr00t_server.py s vašom kontrolnom točkom i --embodiment-tag NEW_EMBODIMENT, zatim pokrenite eval_so100.py na strani robota sa serijskim portom, ID-om robota, indeksima kamere i jezičnom instrukcijom. Nazivi kamera u toj naredbi moraju odgovarati prijateljskim nazivima iz vaše modality.json datoteke, a ne brojevima OS uređaja.

# GPU side
uv run python gr00t/eval/run_gr00t_server.py \
  --model-path /tmp/so100/checkpoint-20000 \
  --embodiment-tag NEW_EMBODIMENT \
  --device cuda:0 \
  --host 0.0.0.0 --port 5555

# robot side, from gr00t/eval/real_robot/SO100
uv run --no-sync python eval_so100.py \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM2 \
  --robot.id=orange_follower \
  --robot.cameras="{ front: {type: opencv, index_or_path: 6, width: 640, height: 480, fps: 30}, wrist: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30}}" \
  --policy_host=localhost --policy_port=5555 \
  --lang_instruction="put the cube in the yellow bowl"

Sada iskreni dio o tome gdje se politika izvodi, jer obuka i posluživanje imaju različite hardverske priče. Fino podešavanje zahtijeva 40 GB ili više. Zaključivanje ne: README navodi 16 GB ili više i eksplicitno spominje RTX 4090, tako da kartica koju već posjedujete može poslužiti kontrolnu točku koju nikada nije mogla proizvesti. Ono što odlučuje hoće li se politika činiti responzivnom nije VRAM, već mjesto gdje se poslužitelj nalazi. Na AY-Robots GR00T N1.7 je samo u oblaku, tako da kontrolna petlja plaća povratno putovanje preko javnog interneta povrh 152 ms po koraku akcije, i samo SmolVLA i ACT također rade lokalno. Za sporo podizanje i postavljanje udaljeni pod je održiv. Za bilo što reaktivno nije: politika postaje neodlučna na način koji izgleda točno kao neuspjeh obuke, a nije. ACT s 20 ms po koraku akcije je model koji tolerira najužu petlju, SmolVLA je na 245 ms, i nikakva količina podešavanja latencije ne može nadoknaditi povratno putovanje koje je već potrošeno. Pokrenite svoju prvu politiku prolazi kroz stranu posluživanja od početka do kraja.

Što zapravo pođe po zlu

• GatedRepoError pri prvom pokretanju. Nije vam odobren pristup nvidia/Cosmos-Reason2-2B ili se niste autentificirali. To se događa nakon što je GPU sat već pokrenut.
• Skup podataka odbijen pri učitavanju. Gotovo uvijek skup podataka v3.0. Pretvorite ga u nižu verziju. Pogledajte skup podataka odbijen kao v3.
• IndexError zbog neusklađenih booleovih dimenzija. Promijenili ste delta_indices i niste ponovno generirali statistiku.
• Nedostatak memorije pri batchu 32. Smanjite --global-batch-size i povećajte --gradient-accumulation-steps, ili smanjite --num-shards-per-epoch, što konfiguracija izričito predlaže kada je VRAM ograničen. Pogledajte nedostatak memorije tijekom treninga.
• Gubitak pada, politika ne radi ništa. Prema zadanim postavkama nema podjele za validaciju, tako da čista krivulja treninga vrlo malo dokazuje. Ova stranica pokriva dijagnozu.
• Radi u vašoj postavci i nigdje drugdje. Očekivano s malim skupom podataka snimljenim pod jednim uvjetom osvjetljenja. NVIDIA preporučuje augmentaciju podrhtavanja boja plus 20 do 50 epizoda pod različitim osvjetljenjem. Više ovdje.
• Hvataljka se nikada ne zatvara pravilno. Provjerite je li akcija hvataljke ABSOLUTNA, a zglobovi ruke RELATIVNI, tim redoslijedom u action_configs. Hvataljka se ne zatvara navodi ostale uzroke.
• Kamera se tiho isključi usred snimanja. Epizoda se i dalje sprema, a video ključ i dalje postoji, zbog čega je ovo neugodno. Kamera nije detektirana to pokriva.

Cijeli indeks načina kvara nalazi se na . Ako birate između modela umjesto da otklanjate pogreške na jednom, i imaju benchmark brojeve s priloženim izvorima, a je usporedba koju većina ljudi zapravo treba, jer je to izbor između modela koji možete trenirati na kartici ispod vašeg stola i onog za koji morate unajmiti čvor od 80 GB za fino podešavanje. Za pozadinu o tome zašto se ovi modeli ponašaju na način na koji se ponašaju, i vrijedi prvo pročitati. A ako još nemate ruku, prenosi fizički SO-100 bez prijave.