VLAトレーニングコスト：ファインチューニングの実行にかかる実際の費用

請求書には4つの項目があり、GPUは最も小さいものです

SO-100向けに視覚言語行動モデルの費用について尋ねる際、ほとんどの場合、GPUレンタルを意味します。これはカードに請求として表示される数字なので、現実味を帯びています。また、実際に機能するポリシーがどれだけかかるかを決定する4つの数字の中で、圧倒的に最も小さいものです。

以下のトレーニング時間は、5つのモデルそれぞれの論文とリポジトリから、ハードウェアコストは公開されている部品表から、プラットフォームの数値はAY-Robotsのポリシーカタログおよび料金ページから引用しています。プラットフォームが役立たない場合、この記事はその旨を明記しています。

スポット市場でのGPU時間あたりの実際のコスト

A100の1時間あたりの価格は一つではありません。vast.aiのようなマーケットプレイスでは、各ホストが独自の料金を設定しており、トレーニング実行を起動すると、その瞬間に安価で空いているマシンに割り当てられます。正直な答えは分布です。以下に、2026年8月23日13:44 UTCに測定された、単一のフルカード、オンデマンド、実際のVRAMでフィルタリングされた結果を示します。

# 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

3Bモデルが安価なカードを使用できない理由

上記のメディアンでは、4090時間とH100 80 GB時間にはおよそ6倍の差があります。高価なカードの使用を余儀なくされるのは速度ではなく、メモリです。openpiは、完全なPi0.5のファインチューンには最低70 GBが必要であるとし、NVIDIAはGR00Tには40 GB以上を推奨しています。GR00Tの数値が何を意味しないかに注意してください。そのファインチューン設定では、デフォルトで言語モデルとビジュアルエンコーダーがフリーズされ（tune_llmとtune_visualはFalse、プロジェクターと拡散ヘッドはTrue）、そのためカタログには3 Bのうち約40 Mの学習済みパラメータが記載されています。40 GBは3 Bの重みに対するオプティマイザの状態ではなく、フリーズされたバックボーンとアクティベーションです。範囲を縮小したバリアントではさらに低くなり、openpiのLoRAパスは22.5 GBを要求し4090を挙げており、NVIDIAのIsaac Lab ArenaワークフローではGR00Tのポストトレーニング用に24 GBのシングルGPUオプションが記載されています。プラットフォームは、各ベンダーが実際に実行する構成について公開している最低要件に基づいて階層化されています。pi0フローマッチングの解説記事では、そのフローマッチングのフットプリントがどこから来るのかを説明しています。

この表が、プラットフォームが5つのモデルを2つのティアに分割する理由です。GR00T N1.7、GR00T N1.5、およびPi0.5は、ベンダーが要求するためA100 80 GBまたはH100で実行されます。SmolVLAおよびACTは、RTX 4090または任意の24 GBカードで実行されます。これは、それが本当に十分だからです。

5つのモデルが実際にどれくらいの時間実行されるか

実行時間はコストのもう半分です。1時間あたり2.00 USDという料金は、ジョブが40分であれば関係なく、40時間であれば破滅的です。これらはAY-Robotsが実際にトレーナーに送信するデフォルト設定であり、各ティアの実行ウィンドウとコストが含まれています。

これらの実行ウィンドウはどこから来るのか

• SmolVLA: lerobotのドキュメントによると、20,000ステップの実行には単一のA100で約4時間かかります。プラットフォームは、より安価な24 GBティアで同じ20,000ステップを実行するため、一律4時間ではなく、幅のある時間枠となります。
• ACT: オリジナルのALOHA論文では、80Mパラメータモデルの場合、単一の11 GB RTX 2080 Tiで約5時間と報告されています。4090は数世代新しいですが、プラットフォームは100,000ステップを予算としているため、時間枠は同じ範囲に収まります。
• GR00T: NVIDIAのN1.6世代のリファレンスワークフローでは、8枚のL40Sカードでバッチ24で20,000ステップに約4～8時間、単一のAda 6000でバッチ16で30,000ステップに2～3時間とされています。数時間での3B VLAのシングルカードファインチューニングは通常であり、楽観的ではありません。
• Pi0.5: openpiは実測時間を公表していませんが、フルファインチューンの70 GBの最低要件を公表しており、これによりカードとレートが特定されます。

支払っていない金額について少し考えてみましょう。GR00T N1の論文によると、2.2Bモデルの事前学習には、最大1024個のGPUクラスタで、事前学習バッチサイズ16,384、200,000勾配ステップで、約50,000 H100 GPU時間かかると報告されています。上記の測定値である1時間あたり1.34～2.34 USDで計算すると、これは67,000～117,000 USD相当のレンタル計算資源に相当します。SmolVLAの論文では、そのプロジェクトは481のコミュニティデータセット、22.9Kエピソード、10.6Mフレームにわたって約30,000 GPU時間とされています。あなたはダウンロードの価格でそのすべてを継承します。あなたの8 USDは最後の20,000ステップを購入するものです。なぜVLAはこのように構築されるのかで、その分割について説明しています。

アーム：GPU費用をはるかに上回る一度限りのコスト

トレーニングの実行費用はランチよりも安価です。ロボットはそうではありません。だからこそSO-100が重要なのです。これは、模倣学習ツールチェーンが実際にサポートする中で最も安価なアームだからです。

SO-ARM100リポジトリにある上位の部品表はより詳細で、お住まいの地域と照らし合わせて確認する価値があります。そのParts For Two Armsリストは、リーダーとフォロワーのセットアップで合計229.88 USDまたは226.30 EURです。また、そのParts for One Follower Armリストは合計121.94 USDまたは124.30 EURです。1個あたり13.89 USDのSTS3215サーボ6個で83.34 USDとなり、この121.94 USDのうちの大部分を占めるため、サーボがアームの主要部品です。SmolVLAまたはACTの実行1回あたり1から3 USDで、1組のアームは77回から230回のトレーニング実行に相当します。まだ選択中であれば、SO-100とSO-101の比較が重要な比較です。この2つは非常に似ているため、決定は機能ではなく入手可能性に基づきます。

人件費：誰もスプレッドシートに記載しない項目

これは、コストに関する議論を根底から覆す数字です。デモンストレーションの記録は、人がロボットアームをリアルタイムで、1エピソードずつ動かす作業です。バッチ処理も秒単位でのレンタルもできません。 LeRobot dataset レコーダーは、計算を容易にするデフォルト設定で出荷されており、これら3つはすべて DatasetRecordConfig で確認されています。1 episode あたり60秒、シーンのリセットに60秒、50エピソードです。以下の金額の列は、1時間あたりの人件費を15 USDと仮定していますが、これはプラットフォームの数値ではなく仮定です。ご自身のレートに置き換えてください。重要なのは比率です。

1. 1
   実際に請求されるデフォルト設定でデータセットを記録する

   これは2026年8月3日時点のPyPI上のバージョンであるlerobot 0.6.1です。CLIの形式に注意してください。記録は、古いpython -m lerobot.scripts.recordモジュールパスではなく、lerobot-recordコンソールエントリーポイント（lerobot.scripts.lerobot_record）を介して実行されます。AY-Robotsは0.5.1をターゲットとしており、0.5.1のホイールも同じlerobot-recordおよびlerobot-trainエントリーポイントを宣言しているため、以下の形式は両方で安定しています。3つのタイミングフラグはアップストリームのデフォルトであるため、これは次の表の計算が前提とするコマンドでもあります。

   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
   GPUを1分でもレンタルする前に、記録した内容を確認する

   データセットの検査には1時間あたり0 USDの費用がかかります。損失曲線から同じ問題を発見すると、H100ティアで1時間あたり2.00 USDかかり、4時間遅れて知ることになります。データセットをプッシュしてLeRobotビューアで確認するか、AY-Robotsのデータセットディレクトリを参照してください。

   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
   トレーニングを実行し、チェックポイントがポッドよりも長く存続することを確認する

   レンタルされたマシンは定義上、一時的なものであるため、実行中にチェックポイントを永続的な場所に書き込む必要があります。支払ったものを保持するかどうかは、2つのフラグで決まります。--save_freqはデフォルトで20,000ステップなので、デフォルトの20,000ステップのSmolVLA実行では、実行がすでに終了したときに最初のチェックポイントが書き込まれます。中断可能なものをレンタルする前に、これを下げてください。--save_checkpoint_to_hubは--policy.repo_idを必要とし、lerobot 0.5.1には存在しないため、そのバージョンでは出力ディレクトリを自分でマシンからコピーする必要があります。以下のバッチサイズはアップストリームのドキュメントの例です。AY-RobotsのフォームはSmolVLAに2を送信し、チェックポイントが出現するたびにオブジェクトストレージに書き込みます。

   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

右側の列と、実行にかかる1～12 USDのコストを比較してください。この仮定されたレートでは、キャリブレーション、カメラ設定、および破棄するエピソードを除くと、50エピソードのデータセットは、トレーニングにかかるコストの2～7倍の記録コストがかかります。だからこそ、は直接的な金銭的価値を持つのです。lerobotガイドでは、オブジェクトの場所ごとに10エピソード、合計で少なくとも50エピソードを推奨しています。SmolVLAのドキュメントでは、同じタスクの25エピソード版では不十分であったと報告されています。

実際にお金が失われる場所

1. 決して機能しないデータでの実行

2つのカメラストリームが入れ替わったデータセットでの20,000ステップのGR00T実行は、クリーンなデータセットでの実行と同じコストがかかり、同じ時間がかかり、見た目は問題ない損失曲線が生成されます。失敗は数時間後にアーム上で現れます。は時間単位で課金され、診断は日単位で課金されます。記憶しておくべき2つの症状：は通常、観測値がタスクに必要な情報を持っていないことを意味し、は、データセットのバリエーションが思ったよりも少なかったことを意味します。

2. 固定カメラタスクに基盤モデルの価格を支払う

ACTは約80Mのパラメータを持ち、1つのタスクの50回のデモンストレーションからスクラッチで学習するように設計されています。GR00T N1.7は約3Bのパラメータを持ち、事前学習済みのバックボーンを備えています。固定されたカメラ、固定されたテーブル、1つのオブジェクトの場合、80Mモデルは頻繁に目標を達成し、152 msではなく約20 msでアクションステップを実行し、4から12 USDではなく1から3 USDのコストで実行できます。高価なモデルに12 USDを費やす前に、安価なモデルが機能するかどうかを3 USDで確認してください。 ACTとSmolVLAの比較とGR00T N1.7とPi0.5の比較は、それぞれが適切な答えでなくなる場所を示しています。モデルアリーナには85のモデルと332のベンチマーク結果があります。

3. 忘れ去られたGPU

防ぐのが最も安価で、最も犯しやすい間違いです。金曜日にデバッグのために起動されたインスタンスは、実際の実行と同じ料金で週末を通して課金されます。

AY-Robotsでは、この障害は推論用に設計されており、推論APIによってプロビジョニングされたポッドはアイドル状態のウォッチドッグを搭載し、アイドル期間後に自己破壊します。カードを自分でレンタルする場合、そのウォッチドッグはカレンダーのリマインダーとなります。

4. 同じ答えに二度支払う

GR00Tのファインチューニングのエントリポイントは、シードを公開しないtyro CLIです。これはプラットフォームの制限ではなく、アップストリームのツールです。つまり、gr00t/configs/finetune_config.pyにはシードフィールドがなく、リポジトリ自身のトレーニングのヒントでは、画像拡張が非決定論的であるため、実行結果が5〜6パーセント変動すると警告されています。lerobotは0.5.1と0.6.1の両方でシード1000をデフォルトとしているため、ACT、SmolVLA、Pi0.5の実行は、少なくとも同じ初期化とデータ順序から再実行できます。これはGPU上でのビット単位で同一の重みを保証するものではありませんが、再実行と新しい実験との違いです。GR00Tの実行で機能するポリシーが生成され、チェックポイントを保持していなかった場合、あなたが追い求めていた差以上に異なる可能性のある結果に対して全額を支払うことになります。支払ったチェックポイントを失う2つ目の方法があります。CLIはデフォルトで--save-total-limit 5となっており、これは古いチェックポイントが削除される前に保持されるチェックポイントの最大数として文書化されています。ストレージは数セントです。再実行には4〜12 USDと6時間かかります。

自分でやるか、プラットフォームにカードを借りさせるか

# 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>

プラットフォームの課金方法とカードの選択方法

ロジックは意図的に単純です。各モデルはカタログでGPUティアを宣言します。バックエンドは必要なVRAMを取得し、上記で測定された同じスポット市場で一致するカードをレンタルします。そのため、提示されるコストは価格ではなく範囲です。GR00TとPi0.5は、40 GBと70 GBという最低要件があるため、ここではクラウド専用です。SmolVLAとACTは、ご自身の24 GBカードでローカルに実行することもでき、その場合クラウド費用はゼロで、電気代はご自身の負担となります。

1つの設定には注意が必要です。勾配蓄積はGR00Tのどちらのバリアントにも実際に適用されるため、これを増やすと、同じカードでより大きな実効バッチサイズが得られます。Pi0.5とSmolVLAには全く適用されません。lerobot 0.5.1のトレーニング設定には勾配蓄積オプションがないため、このフィールドを16に設定しても費用はかからず、何も得られません。キューに入ったジョブが開始されない場合、キューで停止したジョブのページで確認すべき事項が説明されています。実行開始前にデータセットが拒否された場合、それはほとんどの場合v3.0形式の問題です。

最初の動作ポリシーのための予算例

何もない状態から始める、これら4つのラインすべてを合わせて。GPUの合計は3〜5回の実行を想定しています。最初の実行でパイプラインが機能することを確認し、2番目の実行でデータの問題を露呈させ、3番目または4番目の実行が最終的に採用されるものです。

このサイズのロボットでもパターンは同じです。計算は誤差の範囲であり、ハードウェアは実際の1回限りのコストであり、人件費は継続的な費用です。何も購入する前にトレーニング部分をテストするには、ハードウェア不要のエントリーポイント を使用すると、モデルを比較し、アームなしでGPUをレンタルできます。そして、ライブアーム は、サインアップなしでブラウザから操作できる物理的なSO-100です。パイプライン全体をエンドツーエンドで実行するには、完全なSO-100ガイド がセットアップ、テレオペレーション およびトレーニングをカバーしており、最初のポリシーをトレーニングする はその短縮版です。