Hvaða VLA stefnu ættir þú að þjálfa árið 2026?

Fimm stefnur eru þjálfanlegar á SO-100 flokks armi í dag. Þær eru ólíkar um stuðulinn 24 í ályktunar-töf, 37 í fjölda færibreyta og 12 í því hvað keyrsla kostar, og hvort þú mátt senda niðurstöðuna. Fimm líkanakort munu ekki leysa það: ekkert svarar spurningunni sem þú hefur, hvaða keyri ég fyrst?

Sérhver tala hér að neðan var lesin úr greinum, geymslum og kortum í ágúst 2026. Vettvangsnúmer koma frá AY-Robots stefnuskrá; þar sem þau tvö eru ósammála, eru bæði sýnd.

Ákvarðanatöflan

Fimm frambjóðendurnir

Allir fimm eru stefnur: myndavélarrámar, liðstaðsetningar og, fyrir fjóra þeirra, tungumálsleiðbeiningar, kortlagðar í hluta af framtíðar liðmarkmiðum. Það sem aðgreinir þá er hversu mikið var lært áður en þú komst.

GR00T N1.7

Núverandi sjón-tungumál-aðgerðarlíkan NVIDIA, um 3 milljarðar færibreytna, um það bil 40 milljónir þjálfaðar meðan á fínstillingu. Geymslan listar breytingarnar frá N1.6: burðarvirki frá Eagle líkani frá söluaðila yfir í Cosmos-Reason2-2B á Qwen3-VL, dreifingarlög 32 í 16, ástands- og aðgerðarvíddir 29 í 132, aðgerðarsjóndeildarhringur 16 í 40.

Það sem skiptir máli á litlum armi er hlutfallslegt aðgerðarrými endabúnaðar: N1.7 spáir fyrir um breytingar frá núverandi stöðu, sem er það sem gerir 20 þúsund klukkustundum af EgoScale mannlegu myndbandi kleift að flytjast yfir í vélmennisstefnu. Upplýsingar á N1.7 síðunni, ferli í leiðbeiningunum um N1.7 á SO-100.

GR00T N1.5

Sami 3 B kvarði, Eagle 2 burðarás, SigLip2 og T5, flæðisjöfnunar DiT haus. Hann er til staðar til að framlengja sem þú hefur nú þegar. Tvennt gerir hann að lélegum sjálfgefnum valkosti: vigtirnar bera einstefnu, óviðskiptalegt leyfi NVIDIA, og núverandi útgáfur LeRobot fjarlægðu stuðning við N1.5. Sjá .

Pi0.5

Physical Intelligence's VLA, stefnutegund pi05. Greinin lýsir 2 B VLM sem er frumstillt frá PaliGemma ásamt 300 M aðgerðasérfræðingi, sem stýrir vélmenninu á 50 Hz; sjálfgefin pi05 stilling LeRobot er 50 skrefa bútur, ein sekúnda á þeim hraða. Sölustaðurinn er óséðir staðir: um 400 klukkustundir af hreyfanlegri meðhöndlun á raunverulegum heimilum, og stækkunarrannsókn yfir 3, 12, 22, 53, 82 og 104 staði, þar sem 104 staða líkanið passaði við stjórnun sem var þjálfuð á prófunarheimilunum sjálfum.

Eitt takmörk, sem fram kemur á lerobot/pi05_base kortinu: tengið ber aðeins flæðis-samsvarandi aðgerðarhausinn. Spá um undirverkefni, aðgerðartákngerving og RL voru ekki gefin út uppstreymis, og openpi segir það sama um eigið geymslusvæði. Pi0.5 síðan og leiðbeiningarnar um Pi0.5 á SO-100 hafa afganginn.

SmolVLA

450 M færibreytur, um 100 M í aðgerðasérfræðingnum, á SmolVLM-2 með VLM frosið og aðeins fyrstu 16 tungumálalags-lög notuð. Forþjálfun voru samfélagsgögn: 481 gagnasöfn, 10.6 M rammar, frá sömu ódýru örmunum sem þú notar. Eina VLA hér sem passar á eitt 24 GB kort, og eina 30 þátta gólf. Sjá SmolVLA síðuna.

ACT

Ekki grunngerð. Action Chunking Transformer frá ALOHA er um 80 M færibreytur þjálfaðar frá grunni fyrir hvert verkefni, á 50 sýnikennslum við 50 Hz. Greinin greinir frá sex raunverulegum tvíhöfða verkefnum úr um það bil tíu mínútum af sýnikennslum hvoru, með 80 til 90 prósent á þeim dæmum sem hún dregur fram. Hugmynd hennar, aðgerðaskipting, er í hverri gerð á þessari síðu, og frálag hennar mælir enn áhrifin best: yfir tvö hermd verkefni með tímabundinni samsetningu óvirkri, hækkar árangur úr 1 prósenti við k=1 í 44 prósent við k=100. ACT síðan hefur afganginn.

Hvað viðmiðin segja í raun

LIBERO er eina viðmiðið sem þrír af þessum fimm greina frá: tungumálaskilyrt verkefni á hermdum Franka Panda, skipt í fjórar svítur hér að neðan með tíu verkefnum hvorri. NVIDIA keyrði 200 tilraunir á hverja svítu.

SimplerEnv sýnir dreifinguna, sem LIBERO gerir ekki. NVIDIA ber N1.7 saman við N1.6, það næstopinbera sem líkist kynslóðabreytingu.

Bridge röðin er sú gagnlega: 5,7 stigum bætt að meðaltali á meðan put_eggplant_in_basket tapaði 36 og put_eggplant_in_sink féll úr 33 í 2. Ný kynslóð færir dreifinguna frekar en að lyfta henni, svo ef verkefnið þitt er þar sem N1.7 dróst saman, segir meðaltalið ekkert.

Af þeim fimm greinir aðeins SmolVLA greinin frá SO-100 flokks armi: 78,3 prósent fyrir SmolVLA og 61,7 fyrir Pi0 yfir þrjú verkefni, bæði fjölverkefni, á móti 48,3 fyrir ACT þjálfað eitt verkefni, sem er ekki sambærilegt. Hrein pörun er bæði eitt verkefni á SO-101 pick-and-place: 90 á móti 70 í dreifingu, 50 á móti 40 utan hennar. Berðu saman á ACT á móti SmolVLA og Pi0.5 á móti SmolVLA, eða skoðaðu vettvanginn.

Seinkun og kostnaður ráða útfærslu

Ályktunartöf er sú takmörkun sem fólk uppgötvar síðast og sér eftir fyrst. Stefna sem er fimm stigum betri á viðmiðun en tekur hálfa sekúndu á hverju aðgerðarskrefi lítur verr út á skrifborðinu þínu: snertidynamík bíður ekki.

Eitt fyrirvari: GR00T talan er ósammála korti NVIDIA, sem mælir 4 afhávaðaskref og eina myndavél á 85.8 ms á H100 í eager mode, 48.6 ms með torch.compile, 27.9 ms í gegnum fullt TensorRT. 152 ms hér er heildarstafla með þjónustuálagi og fleiri en einni myndavél, ekki framsending.

Ein leið til að spara tíma án þess að breyta líkani: SmolVLA greinin mælir samstillta framkvæmd, þar sem stefnan klárar einn hluta áður en hún spáir fyrir um næsta, á móti ósamstilltri, þar sem spá skarast við framkvæmd. Árangur er svipaður, 78.3 á móti 73.3, en sama tínslan og staðsetningin tekur 9.7 sekúndur í stað 13.75, og í föstu tímabili stýrir vélmennið 19 hringrásum í stað 9.

Leyfi, athuguð vegna þess að enginn athugar þau

Pi0.5 röðin þarfnast athygli. LeRobot pi05 skjölun segir Apache 2.0 í samræmi við openpi, á meðan Hub kortið fyrir lerobot/pi05_base inniheldur license: gemma. Bæði eru virk. GR00T N1.7 hefur mildari útgáfu: Isaac-GR00T README segir í framhjáhlaupi að N1.7 sé að fullu leyfilegt til notkunar í atvinnuskyni undir Apache 2.0, á meðan eigin leyfissvið og líkanakort setja aðeins kóðann undir Apache 2.0 og þyngdirnar undir NVIDIA Open Model License.

Sjálfgefnar stillingar sem þú munt í raun keyra

Hvert þjálfunarform kemur með sjálfgefna stillingu, og þær eru ekki handahófskenndar. ACT's eru eigin LeRobot: batch 8, lr 1e-5, 100000 þjálfunarskref, chunk size 100, matching ACTConfig upstream and k=100 from the ACT paper. Einn dálkur hér að neðan er gildra.

Stillingin sem skiptir meira máli en val á líkani

Þetta er aðgerðarhlutinn. Lengri hlutar gefa mýkri hreyfingu og færri uppsafnaðar villur, en stefnan er bindandi á meðan blokkin keyrir, svo hún bregst seint við öllu sem hreyfist: örugg á kyrrstæðum teningi, vonlaus á rúllandi. Ef hún fer yfir markið, er stytting á framkvæmdum hluta betri en endurþjálfun og er ókeypis. Liður sem stoppar of snemma er annað vandamál; sjá .

• ACT: ACTConfig notar sjálfgefið chunk_size 100 og n_action_steps 100. Tímabundin samsetning er óvirk og krefst n_action_steps 1.
• GR00T N1.7: innri sjóndeildarhringur fór úr 16 í 40, en dæmi LeRobot SO-101 keyrir enn --policy.chunk_size=16 --policy.n_action_steps=16. Rollout flaggið var endurnefnt í --execution-horizon.
• Pi0.5: 50-skrefa hluti, þar af keyrir LIBERO uppskrift LeRobot 10 í gegnum --policy.n_action_steps=10; með --policy.pretrained_path fellur það aftur í 50 ef þú sleppir flagginu.
• SmolVLA: 50-aðgerða hlutar, báðir hnappar sýnilegir.

Hvernig á að skima alla fimm á einum eftirmiðdegi

Ódýrasta svarið er ekki meiri lestur. Eyddu um 15 USD og láttu arminn segja þér: taktu upp einu sinni, þjálfaðu ódýra líkanið fyrst, stækkaðu þegar það hefur sannað að gögnin séu traust. Uppbygging sigrar magn, tilgangurinn með og .

1. 1
   Skráðu 50 þætti einu sinni

   Fimmtíu hreinsar gólfið fyrir GR00T, Pi0.5 og ACT, og 30 frá SmolVLA. Endurtaktu hverja afbrigði frekar en að dreifa þunnt: 50 þættir yfir 5 teningastöður þjálfaðir þar sem 25 voru það ekki. Sjá skráðu fyrsta gagnasafnið þitt.

   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
   Þjálfaðu ACT fyrst, því það getur ekki logið að þér

   Engar forþjálfaðar þyngdir, svo ef það framkvæmir verkefnið yfirhöfuð, inniheldur gagnasafnið þitt verkefnið. Ef ACT stöðvast, lagaðu gögnin. 1 til 3 USD, 2 til 5 klukkustundir á 24 GB korti.

   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
   Keyrðu SmolVLA á sama gagnasafni, óbreyttu

   Sömu gögn, sami armur, 450 M færibreytur í stað 80 M, auk tungumálaskilyrðingar. LeRobot setur 20K skrefa keyrslu í um það bil 4 klukkustundir á einum A100. Þetta er það sem segir þér hvort forþjálfun skilar einhverju.

   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
   Umbreyttu niður í v2.1 áður en þú snertir GR00T

   GR00T les útgáfu af LeRobot v2 sniðinu auk aukalegrar meta/modality.json kortlagningar á því hvernig samsett ástand og aðgerðafylki skiptast í nefnd svið. V3.0 gagnasafn veldur því að hleðslutækið hrynur, því v3.0 pakkar mörgum þáttum í sameiginlegar skrár þar sem v2 skrifaði einn á hvern þátt. Isaac-GR00T sendir niðurfærsluhjálparann sem scripts/lerobot_conversion/convert_v3_to_v2.py; v3 höfnunarsíðan er fljótasta leiðin.

   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
   Færðu þig yfir í GR00T N1.7 aðeins ef fyrstu tveir skildu eitthvað eftir á borðinu

   Í gegnum CLI NVIDIA, sýnt hér, eða groot stefnugerð LeRobot. NVIDIA mælir með 40 GB eða meira af VRAM fyrir fínstillingu, 16 GB fyrir ályktun. Ef OOM kemur upp, sjá OOM síðuna.

   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

Tvær leiðir til að keyra þessa skimun

# 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

Grunnlíkan eða frá grunni

Sanna valið er ekki hvaða 3 B líkan á að velja. Það er hvort nota eigi forþjálfað VLA yfirleitt, miðað við að ACT lærði sex raunveruleg tvíhend verkefni úr um tíu mínútna sýnikennslu hverju, með 80 M færibreytum og ekkert forþjálfað.

Tilfellið að endurtaka gamla keyrslu

Að elta 2025 gátpunkt velur líkanið fyrir þig og breytir vandamálinu í útgáfufestingu: núverandi LeRobot hafnar N1.5, svo þú festir lerobot==0.5.1. Án fræreits og með 5 til 6 prósent frávik milli keyrslna, er endurgerðin nálægt samkvæmt hönnun. Leiðbeiningar fyrir N1.5 á SO-100 og N1.5 stefnusíðan hafa pallhliðina.

Niður í tvö? ACT á móti GR00T N1.7 og GR00T N1.7 á móti SmolVLA. Hráar raðir eru í vettvangsfærslunum: GR00T N1.7, Pi0.5, SmolVLA og ACT.

Hvar þessi vettvangur hjálpar þér ekki

• Það getur ekki flýtt fyrir fjárhæðarályktun. Lykkjan sem tekur 20 til 485 ms tilheyrir líkaninu; internetferðir bætast við það.
• Það getur ekki fínstillt GR00T eða Pi0.5 á þínum eigin vélbúnaði. Bæði eru eingöngu í skýinu hér; aðeins SmolVLA og ACT keyra staðbundið.
• Það getur ekki lagað gagnasafn. Tap minnkar en stefnan gerir ekkert er gagnamál, stefna sem virkar aðeins í einni uppsetningu er umfjöllunarmál.
• Það getur ekki gert GR00T keyrslur endurgeranlegar: uppstreymisstillingin hefur ekkert fræreit.

Að velja einn og halda áfram

Einn sjálfgefinn valkostur: skráðu 50 þætti, þjálfaðu ACT fyrir 1 til 3 USD til að sanna gagnasafnið, síðan SmolVLA á sömu gögnum. Samtals undir 6 USD, og þau svara spurningunni sem skiptir máli: hvort forþjálfun hjálpar hér, eða hvort flöskuhálsinn sé gögnin. Farið yfir í GR00T N1.7 fyrir snertiríkar fjölþrepa verkefni, í Pi0.5 þegar senan breytist.

Yfirlit yfir vettvang: þjálfaðu fyrstu stefnu þína, síðan keyrðu fyrstu stefnu þína. þjálfunarskjölin og gagnasafnsskjölin fjalla um form og snið; SO-100 síðan og heildarleiðbeiningar SO-100 fjalla um smíði og kvörðun. Bakgrunnur: VLA yfirlitið og Pi0 flæðisamsvörunargreinin. Það sem mun auka árangurshlutfall þitt er leiðbeiningar um gæði gagna.