Koju VLA politiku biste trebali trenirati 2026.?

Pet politika može se trenirati na robotskoj ruci klase SO-100 danas. Razlikuju se za faktor 24 u latenciji inferencije, 37 u broju parametara i 12 u cijeni pokretanja, te u tome smijete li isporučiti rezultat. Pet kartica modela to neće riješiti: nijedna ne odgovara na pitanje koje imate, koju da pokrenem prvu?

Svaki broj u nastavku pročitan je iz radova, repozitorija i kartica u kolovozu 2026. Brojevi platforme dolaze iz kataloga politika AY-Robots; gdje se ta dva ne slažu, prikazana su oba.

Tablica odluka

Pet kandidata

Svih pet su politike: okviri kamere, pozicije zglobova i, za četiri od njih, jezična instrukcija, preslikana na dio budućih ciljeva zglobova. Ono što ih razdvaja je koliko je toga bilo naučeno prije vašeg dolaska.

GR00T N1.7

NVIDIA-in trenutni model vizije, jezika i akcije, oko 3 milijarde parametara, otprilike 40 milijuna trenirano tijekom finog podešavanja. Repozitorij navodi razlike u odnosu na N1.6: okosnica s Eagle modela dobavljača na Cosmos-Reason2-2B na Qwen3-VL, difuzijski slojevi 32 na 16, dimenzije stanja i akcije 29 na 132, horizont akcije 16 na 40.

Ono što je važno kod male ruke je relativni akcijski prostor krajnjeg efektora: N1.7 predviđa delte od trenutne poze, što omogućuje prijenos 20K sati EgoScale ljudskog videa u robotsku politiku. Specifikacije na stranici N1.7, procedura u vodiču N1.7 na SO-100.

GR00T N1.5

Ista skala od 3 B, Eagle 2 okosnica, SigLip2 i T5, flow-matching DiT glava. Postoji kako bi proširio koju već imate. Dvije stvari čine ga lošim zadanim odabirom: težine nose NVIDIA-inu jednosmjernu nekomercijalnu licencu, a trenutna izdanja LeRobot-a uklonila su podršku za N1.5. Pogledajte .

Pi0.5

Physical Intelligence-ov VLA, tip politike pi05. Rad predstavlja 2 B VLM inicijaliziran iz PaliGemma-e plus 300 M stručnjaka za akcije, koji pokreće robota na 50 Hz; LeRobot-ova pi05 konfiguracija zadano koristi blok od 50 koraka, jednu sekundu tom brzinom. Prodajna točka su neviđena mjesta: oko 400 sati mobilne manipulacije u stvarnim domovima, te studija skaliranja preko 3, 12, 22, 53, 82 i 104 lokacije, gdje je model s 104 lokacije odgovarao kontroli obučenoj na samim testnim domovima.

Jedno ograničenje, navedeno na lerobot/pi05_base kartici: port nosi samo glavu za usklađivanje toka akcije. Predviđanje podzadataka, tokenizacija akcija i RL nisu objavljeni uzvodno, a openpi isto kaže i za vlastito spremište. Stranica Pi0.5 i vodič za Pi0.5 na SO-100 imaju ostatak.

SmolVLA

450 M parametara, oko 100 M u akcijskom ekspertu, na SmolVLM-2 s zamrznutim VLM-om i samo njegovih prvih 16 slojeva jezičnog modela korišteno. Predtreniranje je bilo na podacima zajednice: 481 skup podataka, 10.6 M okvira, s istih jeftinih ruku koje koristite. Jedini VLA ovdje koji stane na jednu 24 GB karticu, i jedini 30 epizoda prag. Pogledajte stranicu SmolVLA.

ACT

Nije temeljni model. Action Chunking Transformer iz ALOHA-e ima oko 80 M parametara treniranih od nule po zadatku, na 50 demonstracija pri 50 Hz. Rad izvještava o šest stvarnih bimanualnih zadataka iz otprilike deset minuta demonstracija svaki, s 80 do 90 posto uspješnosti na primjerima koje ističe. Njegova ideja, grupiranje akcija, prisutna je u svakom modelu na ovoj stranici, a njegova ablacija i dalje najbolje mjeri učinak: na dva simulirana zadatka s isključenim vremenskim ansambliranjem, uspjeh raste s 1 posto pri k=1 na 44 posto pri k=100. Stranica ACT sadrži ostatak.

Što benchmarkovi zapravo govore

LIBERO je jedini benchmark o kojem izvještavaju tri od ovih pet: zadaci uvjetovani jezikom na simuliranoj Franka Panda, podijeljeni u četiri niže navedene skupine s po deset zadataka. NVIDIA je provela 200 pokusa po skupini.

SimplerEnv pokazuje raspon, što LIBERO ne čini. NVIDIA uspoređuje N1.7 s N1.6, što je najbliža javna stvar 'generacijskoj delti'.

Redak Bridge je koristan: prosječno je dobiveno 5,7 bodova, dok je put_eggplant_in_basket izgubio 36, a put_eggplant_in_sink pao s 33 na 2. Nova generacija pomiče distribuciju umjesto da je podiže, pa ako se vaš zadatak nalazi tamo gdje je N1.7 nazadovao, prosjek ne govori ništa.

Od pet, samo rad SmolVLA izvještava o ruci klase SO-100: 78,3 posto za SmolVLA i 61,7 za Pi0 kroz tri zadatka, oba višezadaćna, naspram 48,3 za ACT treniranog za jedan zadatak, što nije usporedivo. Čisto uparivanje je oba jednosadaćna na SO-101 pick-and-place: 90 naspram 70 u distribuciji, 50 naspram 40 izvan nje. Usporedite na ACT protiv SmolVLA i Pi0.5 protiv SmolVLA, ili pregledajte arenu.

Latencija i trošak odlučuju o implementaciji

Latencija inferencije je ograničenje koje ljudi otkriju posljednje i prvo požale. Politika koja je pet bodova bolja na benchmarku, ali traje pola sekunde po koraku akcije, izgleda lošije na vašem stolu: dinamika kontakta ne čeka.

Jedna napomena: brojka za GR00T se ne slaže s NVIDIA-inom karticom, koja mjeri 4 koraka denoiseinga i jednu kameru na 85.8 ms na H100 u eager modu, 48.6 ms s torch.compile, 27.9 ms kroz puni TensorRT. Ovdje navedenih 152 ms je brojka za cijeli stack s režijskim troškovima posluživanja i više od jedne kamere, a ne samo forward pass.

Jedan način da se dobije na vremenu bez promjene modela: rad SmolVLA mjeri sinkrono izvršavanje, gdje politika završava jedan dio prije predviđanja sljedećeg, nasuprot asinkronom, gdje se predviđanje preklapa s izvršavanjem. Uspjeh je sličan, 78.3 naspram 73.3, ali isti 'pick-and-place' traje 9.7 sekundi umjesto 13.75, a u fiksnom prozoru robot uspijeva obaviti 19 ciklusa umjesto 9.

Licence, provjerene jer ih nitko ne provjerava

Red Pi0.5 zahtijeva pažnju. LeRobot pi05 dokumentacija navodi Apache 2.0, što je u skladu s openpi, dok kartica Huba za lerobot/pi05_base sadrži license: gemma. Oba su aktivna. GR00T N1.7 ima blažu verziju: Isaac-GR00T README usput navodi da je N1.7 u potpunosti komercijalno licenciran pod Apache 2.0, dok njegov vlastiti odjeljak o licenci i kartica modela stavljaju samo kod pod Apache 2.0, a težine pod NVIDIA Open Model License.

Zadane postavke koje ćete stvarno pokrenuti

Svaki obrazac trenera dolazi sa zadanim postavkama, i one nisu proizvoljne. ACT-ovi su LeRobotovi vlastiti: batch 8, lr 1e-5, 100000 koraka treniranja, chunk size 100, matching ACTConfig upstream and k=100 from the ACT paper. Jedan stupac ispod je zamka.

Postavka koja je važnija od izbora modela

To je akcijski blok. Duži blokovi daju glađe kretanje i manje kumulativnih pogrešaka, ali politika je predana dok se blok izvršava, pa kasno reagira na sve što se kreće: sigurna na statičnoj kocki, beznadna na kotrljajućoj. Ako pređe cilj, skraćivanje izvršenog dijela je bolje od ponovnog treniranja i besplatno je. Zglob koji se zaustavi prerano je drugačiji problem; pogledajte .

• ACT: ACTConfig zadano koristi chunk_size 100 i n_action_steps 100. Vremensko spajanje je isključeno i zahtijeva n_action_steps 1.
• GR00T N1.7: unutarnji horizont je prešao s 16 na 40, no LeRobotov SO-101 primjer i dalje koristi --policy.chunk_size=16 --policy.n_action_steps=16. Zastavica za izvođenje preimenovana je u --execution-horizon.
• Pi0.5: blok od 50 koraka, od kojih LeRobotova LIBERO receptura izvršava 10 putem --policy.n_action_steps=10; s --policy.pretrained_path vraća se na 50 ako izostavite zastavicu.
• SmolVLA: blokovi od 50 akcija, oba parametra su izložena.

Kako provjeriti svih pet u jednom popodnevu

Najjeftiniji odgovor nije više čitanja. Potrošite oko 15 USD i neka vam ruka kaže: snimite jednom, prvo trenirajte jeftini model, pa ga nadogradite kada se podaci pokažu pouzdanima. Struktura je važnija od volumena, to je poanta i .

1. 1
   Snimite 50 epizoda jednom

   Pedeset čisti teren za GR00T, Pi0.5 i ACT, te SmolVLA-ovih 30. Ponovite svaku varijaciju umjesto da se raspršite: 50 epizoda kroz 5 treniranih pozicija kocke gdje 25 nije. Pogledajte snimite svoj prvi skup podataka.

   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
   Prvo trenirajte ACT, jer vam ne može lagati

   Nema prethodno treniranih težina, pa ako uopće obavlja zadatak, vaš skup podataka sadrži zadatak. Ako ACT zataji, popravite podatke. 1 do 3 USD, 2 do 5 sati na kartici od 24 GB.

   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
   Pokrenite SmolVLA na istom skupu podataka, nepromijenjenom

   Isti podaci, ista ruka, 450 M parametara umjesto 80 M, plus jezično uvjetovanje. LeRobot procjenjuje 20K koraka na otprilike 4 sata na jednom A100. To vam govori isplati li se prethodno treniranje.

   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
   Pretvorite na v2.1 prije nego što dodirnete GR00T

   GR00T čita varijantu LeRobot v2 formata plus dodatnu meta/modality.json mapu koja prikazuje kako se spojeni nizovi stanja i akcija dijele na imenovana polja. Skup podataka v3.0 ruši taj učitavač, jer v3.0 pakira mnoge epizode u zajedničke datoteke gdje je v2 pisao jednu po epizodi. Isaac-GR00T isporučuje pomoćnik za smanjenje verzije kao scripts/lerobot_conversion/convert_v3_to_v2.py; stranica za odbijanje v3 je brzi put.

   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
   Pređite na GR00T N1.7 samo ako prva dva nisu dala potpune rezultate

   Putem NVIDIA-inog CLI-ja, prikazanog ovdje, ili LeRobot-ovog tipa politike groot. NVIDIA preporučuje 40 GB ili više VRAM-a za fino podešavanje, 16 GB za inferenciju. U slučaju OOM-a, pogledajte stranicu o OOM-u.

   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

Dva načina za pokretanje tog probnog prolaza

# 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

Temeljni model ili od nule

Prava dilema nije koji model od 3 B odabrati. Radi se o tome treba li uopće koristiti unaprijed trenirani VLA, s obzirom na to da je ACT naučio šest stvarnih bimanualnih zadataka iz otprilike deset minuta demonstracija za svaki, s 80 M parametara i ništa unaprijed trenirano.

Slučaj reprodukcije starog pokretanja

Potraga za kontrolnom točkom iz 2025. godine donosi vam izbor modela i pretvara problem u fiksiranje verzije: trenutni LeRobot odbija N1.5, pa fiksirate lerobot==0.5.1. Bez polja za sjeme i s 5 do 6 posto varijance između pokretanja, reprodukcija je po konstrukciji približna. i imaju platformsku stranu.

Svedeno na dva? ACT protiv GR00T N1.7 i GR00T N1.7 protiv SmolVLA. Sirovi redovi nalaze se u unosima arene: GR00T N1.7, Pi0.5, SmolVLA i ACT.

Gdje vam ova platforma ne pomaže

• Ne može ubrzati udaljenu inferenciju. Petlja od 20 do 485 ms pripada modelu; internetska povratna putovanja dodaju se tome.
• Ne može fino podesiti GR00T ili Pi0.5 na vašem vlastitom hardveru. Oba su ovdje samo u oblaku; samo SmolVLA i ACT rade lokalno.
• Ne može popraviti skup podataka. Gubitak pada, ali politika ne radi ništa je problem s podacima, politika koja radi samo u jednom postavu je problem pokrivenosti.
• Ne može učiniti GR00T pokretanja ponovljivima: uzvodna konfiguracija nema polje za sjeme.

Odabir jednog i nastavak

Jedna zadana postavka: snimite 50 epizoda, trenirajte ACT za 1 do 3 USD kako biste dokazali skup podataka, zatim SmolVLA na istim podacima. Zajedno ispod 6 USD, i oni odgovaraju na pitanje koje je važno: pomaže li predtreniranje ovdje, ili je li usko grlo u podacima. Eskalirajte na GR00T N1.7 za višestupanjske zadatke bogate kontaktom, na Pi0.5 kada se scena mijenja.

Pregled platforme: trenirajte svoju prvu politiku, zatim pokrenite svoju prvu politiku. dokumentacija za treniranje i dokumentacija za skupove podataka pokrivaju formu i format; stranica SO-100 i potpuni vodič za SO-100 pokrivaju izradu i kalibraciju. Pozadina: pregled VLA modela i članak o Pi0 flow-matchingu. Onaj koji će poboljšati vašu stopu uspješnosti je vodič za kvalitetu podataka.