VLA Þjálfunarkostnaður: Hvað fínstillingar keyrsla raunverulega kostar

Reikningurinn hefur fjórar línur, og GPU er sú minnsta

Þegar fólk spyr hvað það kostar að fínstilla sjón-tungumál-aðgerð líkan fyrir SO-100, þá meina þeir næstum alltaf GPU leiguna. Það er sú tala sem birtist sem gjald á korti, svo það er sú sem virðist raunveruleg. Það er líka, með miklum mun, sú minnsta af fjórum tölum sem ákvarða hvað virk stefna raunverulega kostar þig.

Þjálfunartímar hér að neðan koma frá eigin greinum og geymslum fimm líkananna, vélbúnaðarkostnaður frá birtum efnislistum, vettvangsnúmer frá AY-Robots stefnuskrá og verðsíðu. Þar sem vettvangurinn hjálpar ekki, segir þessi grein svo frá.

Hvað GPU klukkustund kostar raunverulega á skyndimarkaði

Það er ekkert eitt verð fyrir A100 klukkustund. Á markaðstorgi eins og vast.ai setur hver gestgjafi sitt eigið verð, og þjálfunaraksturinn sem þú ræsir lendir á þeirri vél sem er ódýr og laus á þeirri sekúndu. Heiðarlegt svar er dreifing. Hér er hún, mæld 23. ágúst 2026 kl. 13:44 UTC: stök full kort, eftirspurn, síað eftir raunverulegu VRAM.

# 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

Af hverju 3B módelin geta ekki notað ódýra kortið

4090 klukkustund og H100 80 GB klukkustund eru um það bil sexfalt ólíkar miðað við miðgildin hér að ofan. Það sem neyðir þig til að nota dýra kortið er ekki hraði, heldur minni. openpi setur lágmarkið fyrir fulla Pi0.5 fínstilling við 70 GB, og NVIDIA mælir með 40 GB eða meira fyrir GR00T. Athugaðu hvað GR00T talan er ekki. Fínstillingarstilling þess frystir tungumálalíkanið og sjónræna kóðarann sjálfgefið (tune_llm og tune_visual eru False, en skjávarpinn og dreifingarhausinn True), þess vegna sýnir vörulistinn um það bil 40 M þjálfaða færibreytur af 3 B. 40 GB er ekki fínstillingarstaða fyrir 3 B þyngdir, heldur frosinn burðarás ásamt virkjunum. Afbrigði með minni umfang falla lægra: LoRA leið openpi krefst 22.5 GB og nefnir 4090, og vinnuflæði NVIDIA's Isaac Lab Arena sýnir 24 GB ein-GPU valkost fyrir GR00T eftirþjálfun. Vettvangurinn flokkar eftir því lágmarki sem hver seljandi birtir fyrir þá stillingu sem hann raunverulega keyrir. Greinin um pi0 flæðisjöfnun útskýrir hvaðan þetta flæðisjöfnun fótspor kemur.

Þessi tafla er ástæðan fyrir því að vettvangurinn skiptir fimm líkönunum í tvö stig. GR00T N1.7, GR00T N1.5 og Pi0.5 fara á A100 80 GB eða H100 vegna þess að það er það sem seljendurnir biðja um. SmolVLA og ACT fara á RTX 4090 eða hvaða 24 GB kort sem er vegna þess að það er sannarlega nóg.

Hversu lengi hvert af fimm líkönunum raunverulega keyrir

Keyrslutími er hinn helmingur kostnaðarins: 2.00 USD á klukkustund er óviðkomandi ef verkið er 40 mínútur og eyðileggjandi ef það er 40 klukkustundir. Þetta eru sjálfgefnu stillingarnar sem AY-Robots sendir þjálfaranum, ásamt keyrsluglugganum og kostnaði fyrir hvert stig.

Hvaðan þessir keyrslutímagluggar koma uppstreymis

• SmolVLA: skjöl lerobot segja að 20.000 skref taki um það bil 4 klukkustundir á einu A100. Vettvangurinn keyrir sömu 20.000 skrefin á ódýrari 24 GB flokki, því er um að ræða tímaglugga frekar en fastar 4 klukkustundir.
• ACT: upprunalega ALOHA ritgerðin greinir frá um 5 klukkustundum á einu 11 GB RTX 2080 Ti fyrir 80M-færibreytulíkan. 4090 er nokkrum kynslóðum nýrra en vettvangurinn gerir ráð fyrir 100.000 skrefum, svo tímaglugginn lendir á sama stað.
• GR00T: viðmiðunarvinnuflæði NVIDIA fyrir N1.6 kynslóðina gefur til kynna um það bil 4 til 8 klukkustundir fyrir 20.000 skref með lotustærð 24 á átta L40S kortum, og 2 til 3 klukkustundir fyrir 30.000 skref með lotustærð 16 á einu Ada 6000. Fínstilling 3B VLA á einu korti á nokkrum klukkustundum er eðlileg, ekki bjartsýn.
• Pi0.5: openpi birtir engar rauntímatölur, en það birtir 70 GB lágmarkið fyrir fulla fínstillingu, sem ákvarðar kortið og þar með hraðann.

Þess virði að staldra við töluna sem þú ert ekki að borga. GR00T N1 ritgerðin greinir frá um það bil 50.000 H100 GPU klukkustundum til að forþjálfa 2.2B líkanið, á klasa allt að 1024 GPUum, með forþjálfunarlotustærð 16.384 fyrir 200.000 hallaskref. Á 1,34 til 2,34 USD á klukkustund sem mælt var hér að ofan er það í stærðargráðunni 67.000 til 117.000 USD í leigðri tölvuorku. SmolVLA ritgerðin setur verkefni sitt á um það bil 30.000 GPU klukkustundir yfir 481 samfélagsgagnasöfn, 22.9K þætti og 10.6M ramma. Þú erfir allt þetta fyrir verð á niðurhali; 8 USD þín kaupa síðustu 20.000 skrefin. Af hverju VLA eru byggð svona fjallar um þá skiptingu.

Armurinn: eingreiðslukostnaður sem skyggir á GPU reikninginn

Þjálfunarkeyrsla kostar minna en hádegismatur. Vélmennið gerir það ekki. Þess vegna skiptir SO-100 máli: það er ódýrasti armurinn sem öll herminám verkfærakeðjan styður í raun.

Efnislistinn í SO-ARM100 geymslunni er nákvæmari og vert að athuga hann miðað við þitt svæði: listinn yfir Hlutar fyrir tvo arma nemur samtals 229.88 USD eða 226.30 EUR fyrir leiðara- og fylgjarauppsetningu, og listinn yfir Hlutar fyrir einn fylgjararma nemur samtals 121.94 USD eða 124.30 EUR. Sex STS3215 servó á 13.89 USD hvert eru 83.34 af þeim 121.94, svo servóin eru armurinn. Á 1 til 3 USD á hverja SmolVLA eða ACT keyrslu er eitt par af örmum virði á milli 77 og 230 þjálfunarkeyrslna. Ef þú ert enn að velja, SO-100 á móti SO-101 er samanburðurinn sem skiptir máli, því þeir tveir eru nógu líkir til að ákvörðunin snýst um framboð frekar en getu.

Mannstundir: línan sem enginn setur í töflureikninn

Þetta er talan sem snýr kostnaðarumræðunni á hvolf. Að taka upp sýnikennslu felur í sér að manneskja færir vélmennaarm, einn þátt í einu, í rauntíma. Það er engin lotuvinnsla og engin leiga á sekúndu. LeRobot gagnasafnið upptökutækið kemur með sjálfgefnum stillingum sem gera útreikningana auðvelda, allar þrjár staðfestar í DatasetRecordConfig: 60 sekúndur á þátt, 60 sekúndur til að endurstilla sviðið, 50 þættir. Peningadálkurinn hér að neðan gerir ráð fyrir 15 USD fyrir klukkustund af tíma einhvers, sem er forsenda frekar en vettvangsnúmer. Skiptu út þínu eigin gjaldi; hlutfallið er málið.

1. 1
   Taktu upp gagnasafnið með sjálfgefnum stillingum sem þú verður í raun rukkaður fyrir

   Þetta er lerobot 0.6.1, útgáfan á PyPI frá 3. ágúst 2026. Athugið CLI lögunina: upptaka fer í gegnum lerobot-record inngangspunkt stjórnlínunnar (lerobot.scripts.lerobot_record), ekki gamla python -m lerobot.scripts.record einingarslóðina. AY-Robots miðar við 0.5.1, og 0.5.1 hjólið lýsir yfir sömu lerobot-record og lerobot-train inngangspunktum, svo lögunin hér að neðan er stöðug á báðum. Tímastillingarflaggarnir þrír eru sjálfgefnar stillingar frá uppruna, svo þetta er líka skipunin sem útreikningarnir í næstu töflu gera ráð fyrir.

   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
   Skoðaðu það sem þú tókst upp áður en þú leigir eina GPU mínútu

   Að skoða gagnasafn kostar núll USD á klukkustund. Að uppgötva sama vandamál út frá tapferli kostar 2.00 USD á klukkustund á H100 flokki og segir þér fjórum tímum of seint. Sendu gagnasafnið og skoðaðu það í LeRobot áhorfandanum, eða skoðaðu AY-Robots gagnasafnaskrána.

   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
   Þjálfaðu og tryggðu að gátpunkturinn lifi lengur en podinn

   Leigð vél er tímabundin samkvæmt skilgreiningu, svo skrifaðu gátpunkta á varanlegan stað meðan á keyrslu stendur. Tveir fánar ákveða hvort þú heldur því sem þú borgaðir fyrir. --save_freq er sjálfgefið 20.000 skref, svo sjálfgefin 20.000 skrefa SmolVLA keyrsla skrifar fyrsta gátpunktinn sinn þegar keyrslunni er þegar lokið; lækkaðu það áður en þú leigir eitthvað sem hægt er að trufla. --save_checkpoint_to_hub krefst --policy.repo_id og er ekki til í lerobot 0.5.1, svo á þeirri útgáfu afritarðu úttaksskrána af vélinni sjálfur. Lotustærðin hér að neðan er dæmi úr upprunalegum skjölum; AY-Robots eyðublaðið sendir 2 fyrir SmolVLA og skrifar í hlutageymslu eftir því sem gátpunktar birtast.

   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

Berðu saman hægri dálkinn við 1 til 12 USD sem keyrslan kostar. Á þeim forsendum kostar gagnasafn með 50 þáttum tvisvar til sjö sinnum meira að taka upp en að þjálfa á, áður en kvörðun, uppsetning myndavéla og þættir sem þú hendir eru taldir með. Þess vegna hefur beint fjárhagslegt gildi. Leiðbeiningar lerobot benda til að minnsta kosti 50 þátta með 10 á hvern staðsetningu hlutar; skjöl SmolVLA greina frá því að 25 þátta útgáfa af sama verkefni hafi ekki verið nægjanleg.

Hvar peningarnir raunverulega tapast

1. Keyrslur á gögnum sem aldrei áttu eftir að virka

20.000 skrefa GR00T keyrsla á gagnasafni með tveimur víxluðum myndavélarstraumum kostar það sama og keyrsla á hreinu gagnasafni, tekur sama tíma og framleiðir tapferil sem lítur vel út. Bilunin kemur í ljós á arminum, klukkustundum síðar. eru reiknuð á klukkustund og greining er reiknuð í dögum. Tvö einkenni sem vert er að muna: þýðir venjulega að athuganirnar bera ekki það sem verkefnið þarf, og þýðir að gagnasafnið hafði minni breytileika en þú hélst.

2. Að borga grunnlíkanverð fyrir verkefni með fastri myndavél

ACT er um það bil 80M færibreytur og var hannað til að þjálfa frá grunni á 50 sýnikennslum af einu verkefni. GR00T N1.7 er um það bil 3B með forþjálfaðan burðarás. Fyrir fasta myndavél, fast borð og einn hlut, nær 80M líkanið oft markmiðinu, keyrir á um 20 ms á hverju aðgerðarskrefi í stað 152 ms, og kostar 1 til 3 USD á keyrslu í stað 4 til 12. Eyddu 3 USD í að komast að því hvort ódýra líkanið virkar áður en þú eyðir 12 USD í það dýra. ACT á móti SmolVLA og GR00T N1.7 á móti Pi0.5 sýna hvar hvert hættir að vera rétta svarið; líkanasviðið hefur 85 líkön og 332 viðmiðunarniðurstöður.

3. GPU-ið sem þú gleymdir

Ódýrustu mistökin til að koma í veg fyrir og þau algengustu til að gera. Tilvik sem er ræst á föstudegi til að kemba eitthvað rukkar yfir helgina á sama verði og raunveruleg keyrsla.

Á AY-Robots er þessi galli hannaður út fyrir ályktun: einingar sem eru úthlutaðar af ályktunarforritunarviðmótinu bera óvirkan vaktara og eyðileggja sig eftir óvirknistímabil. Ef þú leigir skjákortið sjálfur, er sá vaktari dagatalsáminningin þín.

4. Að borga tvisvar fyrir sama svarið

Inngangspunktur GR00T fyrir fínstillingu er tyro CLI sem sýnir ekkert seed. Það er ekki takmörkun á vettvangi, heldur er það uppstreymisverkfærið: það er ekkert seed svið í gr00t/configs/finetune_config.py, og eigin þjálfunarráð geymslunnar vara við því að keyrslur geta verið mismunandi um 5 til 6 prósent vegna þess að myndaukningar eru óákveðnar. lerobot notar sjálfgefið seed 1000 í bæði 0.5.1 og 0.6.1, svo ACT, SmolVLA og Pi0.5 keyrslur er að minnsta kosti hægt að endurkeyra frá sömu frumstillingu og gagnaröð. Það er ekki loforð um bit-eins þyngdir á GPU, en það er munurinn á endurkeyrslu og nýrri tilraun. Ef GR00T keyrsla framleiðir stefnu sem virkar og þú geymdir ekki eftirlitsstaðinn, borgar þú fullt verð fyrir niðurstöðu sem gæti verið frábrugðin meira en munurinn sem þú varst að leita að. Það er önnur leið til að missa eftirlitsstað sem þú borgaðir fyrir: CLI notar sjálfgefið --save-total-limit 5, sem er skjalfest sem hámarksfjöldi eftirlitsstaða sem geymdir eru áður en eldri eru eytt. Geymsla kostar sent; endurkeyrsla er 4 til 12 USD og sex klukkustundir.

Að gera það sjálfur á móti því að láta pallinn leigja kortið

# 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>

Hvað pallurinn rukkar og hvernig hann velur kortið

Rökfræðin er vísvitandi leiðinleg. Sérhver gerð í vörulistanum lýsir yfir GPU-flokki; bakendinn tekur nauðsynlegt VRAM og leigir samsvarandi kort á sama sprotamarkaði sem mældur er hér að ofan. Þess vegna er uppgefin kostnaður svið, ekki verð. GR00T og Pi0.5 eru eingöngu í skýinu hér vegna 40 GB og 70 GB lágmarkanna. SmolVLA og ACT keyra einnig staðbundið á þínu eigin 24 GB korti, þar sem skýkostnaður er núll og rafmagn er þitt vandamál.

Einn hnappur á skilið viðvörun. Hallauppsöfnun á sannarlega við um báðar GR00T afbrigðin, svo að hækka hana kaupir stærri virka lotu á sama korti. Fyrir Pi0.5 og SmolVLA á það alls ekki við: lerobot 0.5.1 hefur engan hallauppsöfnunarvalkost í þjálfunarstillingum sínum, svo að stilla reitinn á 16 kostar ekkert og kaupir ekkert. Ef biðraðarstarf byrjar aldrei, síðan um föst störf í biðröð fjallar um hvað á að athuga; ef gagnasafni er hafnað áður en keyrsla hefst, er það næstum alltaf vandamálið með v3.0 sniðið.

Útreiknað fjárhagsáætlun fyrir fyrstu virku stefnuna

Allar fjórar línurnar saman, byrjað frá grunni. Heildar GPU kostnaður gerir ráð fyrir 3 til 5 keyrslum: sú fyrsta sannar að pípan virkar, sú önnur afhjúpar gagnagvandamál, sú þriðja eða fjórða er sú sem þú heldur.

Mynstrið heldur við þessa stærð vélmennis: útreikningar eru námundunarvilla, vélbúnaður er raunverulegur eingreiðslukostnaður, mannstundir eru endurtekin útgjöld. Til að prófa þjálfunarhlutann áður en nokkuð er keypt, gera þér kleift að bera saman líkön og leigja GPU án þess að þurfa vélmennisarm, og er líkamlegur SO-100 sem þú getur stýrt í vafranum án skráningar. Fyrir alla ferlið frá upphafi til enda, þá er fjallar um uppsetningu, og þjálfun, og er styttri útgáfan.