2026年にどのVLAポリシーをトレーニングすべきか？

現在、SO-100クラスのアームで5つのポリシーを学習できます。これらは、推論レイテンシで24倍、パラメータ数で37倍、実行コストで12倍異なり、結果を出荷できるかどうかも異なります。5つのモデルカードでは解決しません。どれも、最初にどれを実行すべきかというあなたの疑問には答えていません。

以下のすべての数値は、2026年8月に論文、リポジトリ、カードから読み取られたものです。プラットフォームの数値は、AY-Robots ポリシーカタログから取得されています。両者が異なる場合は、両方が表示されます。

決定表

5つの候補

5つすべてがポリシーです。カメラフレーム、関節位置、そしてそのうち4つについては、言語指示が将来の関節目標のチャンクにマッピングされます。それらを区別するのは、あなたが到着するまでにどれだけ学習されたかです。

GR00T N1.7

NVIDIAの現在のビジョン言語アクションモデルは、約30億パラメータで、そのうち約4000万がファインチューニング中に学習されました。リポジトリにはN1.6からの変更点が記載されています：バックボーンはベンダー提供のEagleモデルからQwen3-VL上のCosmos-Reason2-2Bへ、拡散層は32から16へ、状態およびアクションの次元は29から132へ、アクションホライズンは16から40へ変更されました。

小型アームで重要なのは、相対的なエンドエフェクタのアクション空間です。N1.7は現在の姿勢からのデルタを予測します。これにより、2万時間のEgoScale人間ビデオをロボットポリシーに転送できます。詳細はN1.7のページ、手順はSO-100でのN1.7ガイドに記載されています。

GR00T N1.5

3 Bスケール、Eagle 2バックボーン、SigLip2およびT5、フローマッチングDiTヘッドは同じです。これは、既存のを拡張するために存在します。しかし、2つの理由からデフォルトとしては推奨されません。重みにはNVIDIAの一方向非商用ライセンスが付帯しており、現在のLeRobotリリースではN1.5のサポートが削除されています。詳細はをご覧ください。

Pi0.5

Physical Intelligenceの VLA、ポリシータイプはpi05です。この論文では、PaliGemmaから初期化された2 B VLMと300 Mのアクションエキスパートが、ロボットを50 Hzで駆動すると述べています。LeRobotのpi05設定は、デフォルトで50ステップのチャンク（そのレートで1秒）です。セールスポイントは、未知の場所での展開です。実家庭での約400時間のモバイルマニピュレーション、および3、12、22、53、82、104の場所でのスケーリング研究が行われました。その結果、104の場所で訓練されたモデルは、テスト対象の家庭自体で訓練された制御モデルと同等の性能を示しました。

一つの制限として、lerobot/pi05_baseカードに記載されているのは、ポートがフローマッチングのアクションヘッドのみを伝送するという点です。サブタスク予測、アクションのトークン化、およびRLはアップストリームでリリースされておらず、openpiも自身のレポジトリについても同様です。Pi0.5のページとSO-100でのPi0.5ガイドに残りが記載されています。

SmolVLA

SmolVLM-2上で、VLMを凍結し、その最初の16層の言語モデル層のみを使用して、4億5000万のパラメータ（アクションエキスパートには約1億）を持ちます。事前学習にはコミュニティデータが使用されました。481のデータセット、1060万フレームが、あなたが使用するのと同じ安価なアームから得られています。これは、24 GBのカード1枚に収まる唯一のVLAであり、唯一の30エピソードのフロアを持ちます。SmolVLAのページを参照してください。

ACT

基盤モデルではありません。ALOHAのAction Chunking Transformerは、約80Mのパラメータを持ち、タスクごとにゼロから学習され、50 Hzで50回のデモンストレーションに基づいています。この論文では、約10分間のデモンストレーションから得られた6つの実際の両手タスクについて報告しており、それぞれ80〜90パーセントの成功率を、強調された例で示しています。そのアイデアであるアクションチャンキングは、このページのすべてのモデルに採用されており、そのアブレーション研究は依然としてその効果を最もよく測定しています。テンポラルアンサンブルをオフにした2つのシミュレートされたタスクでは、成功率はk=1で1パーセントからk=100で44パーセントに上昇します。ACTのページに詳細があります。

ベンチマークが実際に示すもの

LIBEROは、これら5つのうち3つが報告している唯一のベンチマークです。シミュレートされたFranka Panda上での言語条件付きタスクで、以下の4つのスイートにそれぞれ10タスクずつ分割されています。NVIDIAはスイートごとに200回の試行を実行しました。

SimplerEnvはLIBEROでは見られない広がりを示しています。NVIDIAはN1.7をN1.6と比較しており、これは「世代間の差」に最も近い公開情報です。

Bridge行が有用なものです。平均で5.7ポイントを獲得しましたが、put_eggplant_in_basketは36ポイントを失い、put_eggplant_in_sinkは33から2に減少しました。新世代は分布を持ち上げるのではなく移動させるため、N1.7が退化したタスクの場合、平均値は何も語りません。

5つのうち、SmolVLAの論文だけがSO-100クラスのアームについて報告しています。SmolVLAが78.3パーセント、Pi0が61.7パーセントで、いずれもマルチタスクの3つのタスクを対象としています。これに対し、ACTはシングルタスクで48.3パーセントであり、同等の比較ではありません。適切な比較は、SO-101のピックアンドプレースにおける両者のシングルタスク性能です。分布内では90対70、分布外では50対40です。比較するにはACTとSmolVLAとPi0.5とSmolVLA、またはアリーナをご覧ください。

レイテンシとコストがデプロイメントを決定する

推論レイテンシは、人々が最後に気づき、最初に後悔する制約です。ベンチマークで5ポイント優れていても、アクションステップあたり0.5秒かかるポリシーは、あなたのデスク上では見劣りします。接触ダイナミクスは待ってくれません。

注意点が1つあります。GR00Tの数値はNVIDIAのカードと一致しません。NVIDIAのカードでは、4つのデノイズステップと1台のカメラで、H100のイーガーモードで85.8 ms、torch.compileで48.6 ms、完全なTensorRTで27.9 msを記録しています。ここでの152 msは、サービスオーバーヘッドと複数のカメラを含むスタック全体の数値であり、フォワードパスのみではありません。

モデルを変更せずに時間を稼ぐ1つの方法として、SmolVLAの論文では、ポリシーが次の予測を行う前にチャンクを完了する同期実行と、予測が実行と重複する非同期実行を比較しています。成功率は78.3対73.3と類似していますが、同じピックアンドプレースが13.75秒ではなく9.7秒で完了し、固定された時間枠内でロボットは9サイクルではなく19サイクルを処理します。

ライセンス（誰も確認しないので確認済み）

Pi0.5 の行には注意が必要です。LeRobot の pi05 ドキュメントでは、openpi と一致する Apache 2.0 と記載されています。一方、Hub カードの lerobot/pi05_base には license: gemma と記載されています。どちらも有効です。GR00T N1.7 には、より穏やかなバージョンがあります。Isaac-GR00T の README には、N1.7 が Apache 2.0 の下で完全に商用ライセンス可能であると記載されています。一方、そのライセンスセクションとモデルカードでは、コードのみが Apache 2.0 の下で、ウェイトは NVIDIA Open Model License の下にあるとされています。

実際に実行するデフォルト設定

各トレーナーフォームにはデフォルトが付属しており、それらは任意ではありません。ACTのものはLeRobot独自のもので、バッチ8、lr 1e-5, 100000 トレーニングステップ、チャンクサイズ100、ACTConfigのアップストリームと一致し、k=100 from the ACT paperです。以下の1つの列は罠です。

モデル選択よりも重要な調整項目

これはアクションチャンクです。チャンクが長いほど、動きは滑らかになり、複合エラーは少なくなりますが、ブロックの実行中はポリシーがコミットされるため、動くものへの反応が遅れます。静的なキューブには自信がありますが、転がるキューブには対応できません。もしオーバーシュートした場合、実行部分を短縮することは再トレーニングよりも優れており、コストもかかりません。途中で停止するジョイントは別の問題です。詳しくはをご覧ください。

• ACT: ACTConfigはデフォルトでchunk_size 100とn_action_steps 100です。時間的アンサンブルはオフになっており、n_action_steps 1が必要です。
• GR00T N1.7: 内部ホライズンは16から40になりましたが、LeRobotのSO-101の例では依然として--policy.chunk_size=16 --policy.n_action_steps=16で実行されます。ロールアウトフラグは--execution-horizonに名称変更されました。
• Pi0.5: 50ステップのチャンクで、LeRobotのLIBEROレシピは--policy.n_action_steps=10を介して10ステップを実行します。--policy.pretrained_pathを使用する場合、このフラグを省略すると50ステップに戻ります。
• SmolVLA: 50アクションのチャンクで、両方のノブが公開されています。

午後1日で5つすべてをスクリーニングする方法

最も安価な答えは、さらに多くの読書をすることではありません。約15 USDを費やし、アームに語らせてください。一度記録し、まず安価なモデルをトレーニングし、データが健全であることを証明したらエスカレートします。構造は量に勝ります。これはとのポイントです。

1. 1
   50エピソードを一度記録する

   GR00T、Pi0.5、ACT、およびSmolVLAの30のために50がフロアをクリアします。薄く広げるのではなく、各バリエーションを繰り返します。25が訓練されなかった5つのキューブ位置で50エピソードを訓練しました。最初のデータセットを記録するを参照してください。

   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
   ACTは嘘をつかないので、まずACTを訓練する

   事前学習済み重みがないため、もしタスクを全く実行するなら、データセットにそのタスクが含まれています。ACTがフラットラインになったら、データを修正してください。24 GBカードで1〜3 USD、2〜5時間かかります。

   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
   SmolVLAを同じデータセットで変更せずに実行する

   同じデータ、同じアーム、80 Mではなく450 Mのパラメータ、さらに言語条件付け。LeRobotは、1つのA100で20Kステップの実行に約4時間かかると見積もっています。これは、事前学習が何か価値をもたらすかどうかを教えてくれます。

   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
   GR00Tを触る前にv2.1にダウングレードする

   GR00Tは、LeRobot v2形式のバリエーションと、連結された状態およびアクション配列が名前付きフィールドにどのように分割されるかをマッピングする追加のmeta/modality.jsonを読み取ります。v3.0データセットはそのローダーをクラッシュさせます。なぜなら、v3.0は多くのエピソードを共有ファイルにパックするのに対し、v2はエピソードごとに1つのファイルを書き込むためです。Isaac-GR00Tは、ダウングレードヘルパーをscripts/lerobot_conversion/convert_v3_to_v2.pyとして提供しています。v3拒否ページが高速パスです。

   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
   最初の2つで不十分な場合にのみGR00T N1.7にエスカレートする

   ここに示されているNVIDIAのCLI、またはLeRobotのgrootポリシータイプを介して。NVIDIAは、ファインチューニングには40 GB以上のVRAM、推論には16 GBを推奨しています。OOMが発生した場合は、OOMページを参照してください。

   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

そのスクリーニングパスを実行する2つの方法

# 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

基盤モデルかゼロからか

本当の分岐点は、どの3Bモデルを選ぶかではありません。ACTが80Mパラメータと事前学習なしで、それぞれ約10分のデモンストレーションから6つの実際の両手タスクを学習したことを考えると、そもそも事前学習済みVLAを使用するかどうかです。

過去の実行を再現するケース

2025年のチェックポイントを追いかけると、モデルの選択肢が限定され、問題はバージョン固定に変わります。現在のLeRobotはN1.5を拒否するため、lerobot==0.5.1を固定します。シードフィールドがなく、実行間で5〜6%のばらつきがあるため、再現性は本質的に近似的なものとなります。およびにプラットフォーム側の情報があります。

2つに絞り込みましたか？ACTとGR00T N1.7とGR00T N1.7とSmolVLA。アリーナのエントリで生の行を確認できます：GR00T N1.7、Pi0.5、SmolVLA、ACT。

このプラットフォームでできないこと

• リモート推論を高速化することはできません。20〜485ミリ秒のループはモデルに属し、インターネットの往復がそれに加算されます。
• GR00TまたはPi0.5を独自のハードウェアでファインチューニングすることはできません。ここでは両方ともクラウド専用であり、SmolVLAとACTのみがローカルで実行されます。
• データセットを修正することはできません。損失は減少するがポリシーが何も実行しないはデータの問題であり、特定のセットアップでのみ機能するポリシーはカバレッジの問題です。
• GR00Tの実行を再現可能にすることはできません。アップストリームの構成にシードフィールドがないためです。

1つを選んで次に進む

1つのデフォルト：50エピソードを記録し、データセットを検証するためにACTを1〜3 USDでトレーニングし、その後同じデータでSmolVLAをトレーニングします。合計6 USD未満で、事前学習がここで役立つのか、それともボトルネックがデータにあるのかという重要な問いに答えます。接触の多い多段階タスクにはGR00T N1.7を、シーンが変化する場合にはPi0.5を使用します。

プラットフォームのウォークスルー：最初のポリシーをトレーニングする、次に最初のポリシーを実行する。 トレーニングドキュメントとデータセットドキュメントは形式とフォーマットをカバーし、SO-100ページとSO-100完全ガイドは構築とキャリブレーションをカバーします。背景情報：VLA概要とPi0フローマッチング記事。成功率を向上させるのはデータ品質ガイドです。