VLA Képzési Költség: Mennyibe Kerül Valójában Egy Finomhangolási Futtatás

A számlának négy tétele van, és a GPU a legkisebb

Amikor az emberek azt kérdezik, mennyibe kerül egy látás-nyelv-akció modell finomhangolása egy SO-100-hoz, szinte mindig a GPU bérlésére gondolnak. Ez az a szám, ami terhelésként megjelenik egy kártyán, így ez az, ami valóságosnak tűnik. Emellett messze ez a legkisebb a négy szám közül, amelyek eldöntik, hogy egy működő irányelv valójában mennyibe kerül.

Az alábbi képzési idők az öt modell saját publikációiból és repozitóriumaiból származnak, a hardverköltség a közzétett anyagjegyzékből, a platformszámok az AY-Robots szabályzat katalógus és árképzési oldal. Ahol a platform nem nyújt segítséget, ott ez a cikk jelzi.

Mennyibe kerül valójában egy GPU óra a spot piacon

Nincs egységes ár egy A100 órára. Egy olyan piactéren, mint a vast.ai, minden szolgáltató saját díjat szab meg, és az képzési futtatás amit elindít, arra a gépre kerül, amelyik abban a pillanatban olcsó és szabad. Az őszinte válasz egy eloszlás. Íme, 2026. augusztus 23-án 13:44 UTC-kor mérve: egyedi, teljes kártyák, igény szerint, valós VRAM alapján szűrve.

# 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

Miért nem használhatják a 3B modellek az olcsó kártyát

Egy 4090 óra és egy H100 80 GB óra nagyjából hatszoros különbséget mutat a fenti mediánoknál. Ami a drága kártyára kényszerít, az nem a sebesség, hanem a memória. Az openpi egy teljes Pi0.5 finomhangolás alsó határát 70 GB-ban határozza meg, az NVIDIA pedig 40 GB-ot vagy többet ajánl a GR00T-hez. Figyeljük meg, mi nem a GR00T szám. A finomhangolási konfigurációja alapértelmezetten befagyasztja a nyelvi modellt és a vizuális enkódert (tune_llm és tune_visual False, a projektor és a diffúziós fej True), ezért a katalógus nagyjából 40 M betanított paramétert sorol fel 3 B-ből. A 40 GB nem az optimalizáló állapota 3 B súlyhoz, hanem a befagyasztott gerinc plusz az aktivációk. A csökkentett hatókörű változatok alacsonyabbra esnek: az openpi LoRA útvonala 22.5 GB-ot igényel és a 4090-et nevezi meg, az NVIDIA Isaac Lab Arena munkafolyamata pedig egy 24 GB-os egy-GPU-s opciót sorol fel a GR00T utólagos betanításához. A platform a gyártók által közzétett, ténylegesen futtatott konfigurációk alsó határán alapul. A pi0 flow-matching leírása magyarázza, honnan származik az a flow-matching lábnyom.

Ez a táblázat az oka annak, hogy a platform az öt modellt két szintre osztja. GR00T N1.7, GR00T N1.5 és Pi0.5 A100 80 GB vagy H100 kártyán futnak, mert ezt kérik a gyártók. SmolVLA és ACT RTX 4090 vagy bármely 24 GB-os kártyán futnak, mert az valóban elegendő.

Mennyi ideig fut valójában az öt modell mindegyike

A futási idő a költség másik fele: 2.00 USD óránként irreleváns, ha a feladat 40 perc, és romboló, ha 40 óra. Ezek az alapértelmezett beállítások, amelyeket az AY-Robots valójában elküld a trénernek, a futási időablakkal és az egyes szintek költségével együtt.

Honnan származnak ezek a futási időablakok a felsőbb rétegekből

• SmolVLA: a lerobot dokumentációja szerint 20 000 lépés nagyjából 4 órát vesz igénybe egyetlen A100-on. A platform ugyanazt a 20 000 lépést futtatja az olcsóbb 24 GB-os szinten, ezért egy időablakról van szó, nem pedig egy fix 4 óráról.
• ACT: az eredeti ALOHA tanulmány körülbelül 5 órát jelent egyetlen 11 GB-os RTX 2080 Ti kártyán egy 80M paraméteres modellhez. Egy 4090 több generációval újabb, de a platform 100 000 lépést tervez be, így az időablak ugyanoda esik.
• GR00T: az NVIDIA N1.6 generációra vonatkozó referencia munkafolyamata nagyjából 4-8 órát említ 20 000 lépéshez, 24-es batch mérettel nyolc L40S kártyán, és 2-3 órát 30 000 lépéshez, 16-os batch mérettel egyetlen Ada 6000 kártyán. Egy 3B VLA egykártyás finomhangolása néhány óra alatt normális, nem optimista.
• Pi0.5: az openpi nem tesz közzé valós idejű adatot, de közzéteszi a teljes finomhangoláshoz szükséges 70 GB-os alsó határt, ami meghatározza a kártyát és ezáltal az árat.

Érdemes elgondolkodni azon a számon, amit nem fizet. A GR00T N1 tanulmány nagyjából 50 000 H100 GPU órát jelent a 2.2B modell előképzéséhez, akár 1024 GPU-ból álló klaszteren, 16 384-es előképzési batch mérettel 200 000 gradiens lépéshez. A fent mért 1.34-2.34 USD/óra áron ez nagyságrendileg 67 000-117 000 USD bérelt számítási kapacitást jelent. A SmolVLA tanulmány a projektjét körülbelül 30 000 GPU órára becsüli 481 közösségi adatkészlet, 22.9K epizód és 10.6M képkocka alapján. Mindezeket egy letöltés áráért örökli; a 8 USD-je az utolsó 20 000 lépést vásárolja meg. Miért így épülnek fel a VLA-k fedi le ezt a felosztást.

A kar: egyszeri költség, ami eltörpül a GPU számla mellett

Egy tréning futtatása kevesebbe kerül, mint az ebéd. A robot nem. Ezért a SO-100 számít: ez a legolcsóbb kar, amit az egész utánzásos tanulás eszköztár ténylegesen támogat.

Az SO-ARM100 tárolóban található upstream anyagjegyzék részletesebb, és érdemes ellenőrizni a régiójában: annak Alkatrészek két karhoz listája összesen 229.88 USD vagy 226.30 EUR egy vezető és követő beállításhoz, és annak Alkatrészek egy követő karhoz listája összesen 121.94 USD vagy 124.30 EUR. Hat STS3215 szervó, egyenként 13.89 USD áron, 83.34-et tesz ki ebből a 121.94-ből, tehát a szervók alkotják a kart. Egy SmolVLA vagy ACT futtatás 1-3 USD költségével számolva, egy pár kar 77 és 230 tréning futtatás értékű. Ha még mindig választ, SO-100 ellen SO-101 az a összehasonlítás, ami számít, mert a kettő elég közel áll egymáshoz ahhoz, hogy a döntés inkább a rendelkezésre állásról, mint a képességről szóljon.

Emberi órák: az a sor, amit senki sem ír be a táblázatba

Ez az a szám, ami fenekestül felforgatja a költségekről szóló vitát. A demonstrációk rögzítése azt jelenti, hogy egy személy mozgat egy robotkart, epizódonként, valós időben. Nincs kötegelés, és nincs másodpercenkénti bérlés. A LeRobot adatkészlet rögzítő alapértelmezett beállításokkal érkezik, amelyek megkönnyítik a számítást, mindhárom megerősítve a DatasetRecordConfig: 60 másodperc per epizód, 60 másodperc a jelenet visszaállítására, 50 epizód. Az alábbi pénzügyi oszlop 15 USD-t feltételez egy órányi emberi munkáért, ami inkább feltételezés, mint platformszám. Helyettesítse be saját óradíját; az arány a lényeg.

1. 1
   Rögzítse az adatkészletet azokkal az alapértelmezett beállításokkal, amelyekért ténylegesen fizetni fog

   Ez a lerobot 0.6.1, a PyPI-n 2026. augusztus 3-án elérhető verzió. Figyelje meg a CLI formáját: a rögzítés a lerobot-record konzol belépési ponton (lerobot.scripts.lerobot_record) keresztül fut, nem a régi python -m lerobot.scripts.record modul útvonalon. Az AY-Robots a 0.5.1-es verziót célozza, és a 0.5.1-es wheel ugyanazokat a lerobot-record és lerobot-train belépési pontokat deklarálja, így az alábbi forma mindkét verzióban stabil. A három időzítési flag az upstream alapértelmezettje, így ez az a parancs is, amelyet a következő táblázatban szereplő számítások feltételeznek.

   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
   Nézze meg, mit rögzített, mielőtt egyetlen GPU percet is bérelne

   Egy adatkészlet ellenőrzése óránként nulla USD-be kerül. Ugyanezen probléma felfedezése egy veszteséggörbéből 2.00 USD-be kerül óránként a H100 szinten, és négy órával később tudja meg. Töltse fel az adatkészletet, és ellenőrizze a LeRobot nézegetőben, vagy böngéssze az AY-Robots adatkészlet-könyvtárát.

   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
   Tanítson, és győződjön meg róla, hogy az ellenőrzőpont túléli a podot

   Egy bérelt gép definíció szerint ideiglenes, ezért a futás során írjon ellenőrzőpontokat valahova tartós helyre. Két flag dönti el, hogy megtartja-e, amiért fizetett. --save_freq alapértelmezettje 20 000 lépés, így egy alapértelmezett 20 000 lépéses SmolVLA futás az első ellenőrzőpontot akkor írja, amikor a futás már befejeződött; csökkentse ezt, mielőtt bármilyen megszakítható erőforrást bérelne. A --save_checkpoint_to_hub megköveteli a --policy.repo_id-t, és nem létezik a lerobot 0.5.1-ben, így azon a verzión Önnek kell lemásolnia a kimeneti könyvtárat a gépről. Az alábbi kötegelési méret az upstream dokumentáció példája; az AY-Robots űrlap 2-t küld a SmolVLA-hoz, és az ellenőrzőpontok megjelenésével objektumtárolóba ír.

   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

Hasonlítsa össze a jobb oldali oszlopot az 1-12 USD futási költséggel. Ezen feltételezett arány mellett egy 50 epizódos adatkészlet rögzítése két-hétszer annyiba kerül, mint a rajta való betanítás, a kalibrálás, a kamera beállítása és az eldobott epizódok nélkül. Ezért van közvetlen dollár értéke annak, hogy . A lerobot útmutatója legalább 50 epizódot javasol, objektumhelyenként 10-et; a SmolVLA dokumentációja szerint ugyanazon feladat 25 epizódos változata nem volt elegendő.

Hol tűnik el valójában a pénz

1. Futások olyan adatokon, amelyek soha nem működtek volna

Egy 20 000 lépéses GR00T futtatás egy olyan adatkészleten, amelyben két kamerafolyam fel volt cserélve, ugyanannyiba kerül, mint egy tiszta adatkészleten végzett futtatás, ugyanannyi időt vesz igénybe, és egy jól kinéző veszteséggörbét eredményez. A hiba órákkal később jelentkezik a karon. óránként, a diagnózis napokban kerül számlázásra. Két tünet, amit érdemes megjegyezni: általában azt jelenti, hogy a megfigyelések nem tartalmazzák azt, amire a feladatnak szüksége van, és azt jelenti, hogy az adatkészlet kevesebb variációt tartalmazott, mint gondoltad.

2. Alapmodell árak fizetése egy rögzített kamerás feladatért

Az ACT nagyjából 80M paraméterrel rendelkezik, és úgy tervezték, hogy 50 demonstráció alapján, egyetlen feladaton, a nulláról indulva képezhető legyen. A GR00T N1.7 nagyjából 3B paraméterrel rendelkezik, előre képzett gerinccel. Egy rögzített kamerához, fix asztalhoz és egyetlen tárgyhoz a 80M-es modell gyakran eléri a célt, körülbelül 20 ms-onként fut egy akció lépés helyett 152 ms helyett, és 1-3 USD-be kerül futásonként 4-12 USD helyett. Költsön 3 USD-t annak kiderítésére, hogy az olcsó modell működik-e, mielőtt 12 USD-t költene a drágára. ACT a SmolVLA ellen és GR00T N1.7 a Pi0.5 ellen megmutatja, hol szűnik meg mindegyik a helyes válasz lenni; a modell aréna 85 modellel és 332 benchmark eredménnyel rendelkezik.

3. Az elfelejtett GPU

A legolcsóbb hiba, amit meg lehet előzni, és a leggyakoribb, amit elkövetnek. Egy pénteken hibakeresés céljából indított példány a hétvégén is ugyanannyiba kerül, mint egy éles futtatás.

Az AY-Robots platformon ezt a hibát kiküszöbölték az inferencia esetében: az inferencia API által biztosított podok üresjárati figyelővel rendelkeznek, és egy üresjárati időszak után megsemmisítik magukat. Ha Ön béreli a kártyát, akkor ez a figyelő az Ön naptáremlékeztetője.

4. Kétszer fizetni ugyanazért a válaszért

A GR00T finomhangolási belépési pontja egy tyro CLI, amely nem tesz elérhetővé seed-et. Ez nem platformkorlátozás, hanem az upstream eszköz: nincs seed mező a gr00t/configs/finetune_config.py, és a repository saját képzési tippjei figyelmeztetnek, hogy a futtatások 5-6 százalékkal eltérhetnek, mert a képaugmentációk nem determinisztikusak. A lerobot alapértelmezetten az 1000-es seed-et használja mind a 0.5.1, mind a 0.6.1 verzióban, így az ACT, SmolVLA és Pi0.5 futtatások legalább ugyanabból az inicializálásból és adatsorból újraindíthatók. Ez nem ígéret bit-azonos súlyokra egy GPU-n, de ez a különbség egy újraindítás és egy új kísérlet között. Ha egy GR00T futtatás olyan irányelvet eredményez, amely működik, és Ön nem tartotta meg a ellenőrzőpontot, akkor teljes árat fizet egy olyan eredményért, amely nagyobb mértékben eltérhet, mint az a különbség, amit Ön kergetett. Van egy második módja is annak, hogy elveszítsen egy ellenőrzőpontot, amiért fizetett: a CLI alapértelmezetten a --save-total-limit 5 értéket használja, ami a megőrzött ellenőrzőpontok maximális számát jelenti, mielőtt a régebbieket törölnék. A tárhely fillérekbe kerül; egy újraindítás 4-12 USD és hat óra.

Saját kezűleg vagy a platformra bízva a kártya bérlését

# 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>

Mit számol fel a platform és hogyan választja ki a kártyát

A logika szándékosan unalmas. A platform minden modellje a katalógusban deklarál egy GPU szintet; a backend felveszi a szükséges VRAM-ot és bérel egy megfelelő kártyát ugyanazon a fent mért spot piacon. Ezért a feltüntetett költség egy tartomány, nem pedig egy ár. A GR00T és a Pi0.5 itt csak felhőben érhető el a 40 GB és 70 GB-os alsó korlátok miatt. A SmolVLA és az ACT helyben is futtatható a saját 24 GB-os kártyáján, ahol a felhő költsége nulla, és az áram az Ön problémája.

Egy beállítás figyelmeztetést érdemel. A gradiens akkumuláció valóban alkalmazható mindkét GR00T variánsra, így annak növelése nagyobb effektív batch méretet eredményez ugyanazon a kártyán. A Pi0.5 és a SmolVLA esetében egyáltalán nem alkalmazható: a lerobot 0.5.1 nem rendelkezik gradiens akkumulációs opcióval a tréning konfigurációjában, így a mező 16-ra állítása semmibe sem kerül és semmit sem eredményez. Ha egy sorban álló feladat soha nem indul el, a sorban ragadt feladatok oldala ismerteti, mit kell ellenőrizni; ha az adatkészletet elutasítják a futtatás megkezdése előtt, az szinte mindig a v3.0 formátum problémája.

Egy kidolgozott költségvetés az első működő házirendhez

Mind a négy sor együtt, a nulláról indulva. A GPU összköltsége 3-5 futtatást feltételez: az első bizonyítja, hogy a pipeline működik, a második feltár egy adatproblémát, a harmadik vagy negyedik az, amit megtartasz.

Ez a minta érvényesül ennél a robotméretnél: a számítási teljesítmény elhanyagolható, a hardver valós egyszeri költség, az emberi munkaórák pedig az ismétlődő kiadások. Ahhoz, hogy a képzési részt tesztelje, mielőtt bármit is vásárolna, lehetővé teszik a modellek összehasonlítását és GPU bérlését kar nélkül, és egy fizikai SO-100, amelyet böngészőből irányíthat regisztráció nélkül. A teljes, végponttól végpontig tartó folyamathoz a lefedi a beállítást, a és a képzést, és a a rövid változat.