VLA mokymo kaina: kiek iš tikrųjų kainuoja smulkaus derinimo vykdymas

Sąskaita turi keturias eilutes, o GPU yra mažiausia

Kai žmonės klausia, kiek kainuoja tiksliai suderinti regos-kalbos-veiksmų modelį SO-100, jie beveik visada turi omenyje GPU nuomą. Tai yra skaičius, kuris rodomas kaip mokestis kortelėje, todėl jis atrodo realus. Be to, tai yra, su didele persvara, mažiausias iš keturių skaičių, kurie lemia, kiek iš tikrųjų kainuoja veikianti politika jums kainuoja.

Toliau pateikti mokymo laikai yra paimti iš penkių modelių nuosavų straipsnių ir saugyklų, techninės įrangos kaina – iš paskelbto medžiagų sąrašo, platformos numeriai – iš AY-Robots politikos katalogo ir kainodaros puslapio. Kai platforma nepadeda, šiame straipsnyje tai nurodoma.

Kiek iš tikrųjų kainuoja GPU valanda momentinėje rinkoje

Nėra vienos kainos už A100 valandą. Tokiose prekyvietėse kaip vast.ai kiekvienas šeimininkas nustato savo tarifą, o mokymo vykdymas kurį paleidžiate, patenka į tą mašiną, kuri tuo metu yra pigi ir laisva. Sąžiningas atsakymas yra pasiskirstymas. Štai jis, išmatuotas 2026 m. rugpjūčio 23 d. 13:44 UTC: vienos pilnos kortelės, pagal pareikalavimą, filtruotos pagal realią 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

Kodėl 3B modeliai negali naudoti pigios kortelės

4090 valanda ir H100 80 GB valanda skiriasi maždaug šešis kartus, atsižvelgiant į aukščiau nurodytas medianas. Kas verčia rinktis brangią kortelę, yra ne greitis, o atmintis. openpi nustato minimalų reikalavimą pilnam Pi0.5 tiksliajam derinimui – 70 GB, o NVIDIA rekomenduoja 40 GB ar daugiau GR00T. Atkreipkite dėmesį, kas nėra GR00T skaičius. Jo tiksliojo derinimo konfigūracija pagal numatytuosius nustatymus užšaldo kalbos modelį ir vaizdo kodavimo įrenginį (tune_llm ir tune_visual yra False, o projektorius ir difuzijos galvutė True), todėl kataloge nurodoma maždaug 40 M apmokytų parametrų iš 3 B. 40 GB nėra optimizatoriaus būsena 3 B svoriams, tai yra užšaldytas pagrindas plius aktyvacijos. Sumažintos apimties variantai reikalauja mažiau: openpi LoRA kelias reikalauja 22.5 GB ir nurodo 4090, o NVIDIA Isaac Lab Arena darbo eiga nurodo 24 GB vieno GPU parinktį GR00T po apmokymo. Platforma skirstoma pagal minimalius reikalavimus, kuriuos kiekvienas tiekėjas skelbia faktiškai veikiančiai konfigūracijai. pi0 srauto derinimo aprašymas paaiškina, iš kur atsiranda tas srauto derinimo pėdsakas.

Ši lentelė paaiškina, kodėl platforma penkis modelius skirsto į dvi pakopas. GR00T N1.7, GR00T N1.5 ir Pi0.5 veikia su A100 80 GB arba H100, nes to reikalauja tiekėjai. SmolVLA ir ACT veikia su RTX 4090 arba bet kuria 24 GB kortele, nes to tikrai pakanka.

Kiek laiko iš tikrųjų veikia kiekvienas iš penkių modelių

Veikimo laikas yra kita sąnaudų pusė: 2.00 USD už valandą yra nereikšminga, jei darbas trunka 40 minučių, ir pražūtinga, jei jis trunka 40 valandų. Tai yra numatytieji nustatymai, kuriuos AY-Robots iš tikrųjų siunčia treniruokliui, nurodant veikimo langą ir kainą kiekvienam lygiui.

Iš kur atsiranda tie vykdymo langai iš aukščiau

• SmolVLA: lerobot dokumentacijoje nurodoma, kad 20 000 žingsnių užtrunka maždaug 4 valandas su viena A100. Platforma tuos pačius 20 000 žingsnių vykdo pigesniame 24 GB lygyje, todėl tai yra langas, o ne fiksuotos 4 valandos.
• ACT: originaliame ALOHA straipsnyje nurodoma apie 5 valandas su viena 11 GB RTX 2080 Ti kortele 80M parametrų modeliui. 4090 yra kelis kartus naujesnė, tačiau platforma numato 100 000 žingsnių, todėl langas atsiduria toje pačioje vietoje.
• GR00T: NVIDIA etaloninė darbo eiga N1.6 kartai nurodo maždaug nuo 4 iki 8 valandų 20 000 žingsnių su 24 partija ant aštuonių L40S kortelių, ir nuo 2 iki 3 valandų 30 000 žingsnių su 16 partija ant vienos Ada 6000. Vienos kortelės 3B VLA tikslinimas per kelias valandas yra normalu, o ne optimistiška.
• Pi0.5: openpi neskelbia realaus laiko duomenų, tačiau skelbia 70 GB ribą pilnam tikslinimui, kas nustato kortelę ir atitinkamai greitį.

Verta sustoti ties skaičiumi, už kurį nemokate. GR00T N1 straipsnyje nurodoma maždaug 50 000 H100 GPU valandų, skirtų 2.2B modelio išankstiniam apmokymui, klasteryje iki 1024 GPU, su išankstinio apmokymo partijos dydžiu 16 384, 200 000 gradiento žingsnių. Aukščiau išmatuota 1.34–2.34 USD už valandą reiškia maždaug 67 000–117 000 USD nuomojamų skaičiavimo resursų. SmolVLA straipsnyje nurodoma, kad projektui prireikė maždaug 30 000 GPU valandų, naudojant 481 bendruomenės duomenų rinkinį, 22.9K epizodus ir 10.6M kadrus. Jūs paveldite visa tai už atsisiuntimo kainą; jūsų 8 USD nuperka paskutinius 20 000 žingsnių. Kodėl VLA modeliai kuriami taip apima tą padalijimą.

Ranka: vienkartinė kaina, kuri nublanksta prieš GPU sąskaitą

Mokymo paleidimas kainuoja mažiau nei pietūs. Robotas – ne. Štai kodėl SO-100 yra svarbus: tai pigiausia ranka, kurią palaiko visa imitacinio mokymosi įrankių grandinė.

SO-ARM100 saugyklos dalių sąrašas yra detalesnis ir vertas patikrinimo pagal jūsų regioną: jo Dalių dviem rankoms sąraše yra 229.88 USD arba 226.30 EUR už lyderio ir sekėjo konfigūraciją, o jo Dalių vienai sekėjo rankai sąraše yra 121.94 USD arba 124.30 EUR. Šeši STS3215 servovarikliai po 13.89 USD kiekvienas sudaro 83.34 iš tų 121.94, taigi servovarikliai yra ranka. Esant 1–3 USD už SmolVLA arba ACT paleidimą, viena pora rankų yra verta nuo 77 iki 230 mokymo paleidimų. Jei vis dar renkatės, SO-100 prieš SO-101 yra svarbus palyginimas, nes abu yra pakankamai panašūs, kad sprendimas priklauso nuo prieinamumo, o ne nuo galimybių.

Žmogaus valandos: eilutė, kurios niekas neįrašo į skaičiuoklę

Tai yra skaičius, kuris apverčia diskusiją apie išlaidas aukštyn kojomis. Demonstracijų įrašymas – tai žmogus, judinantis roboto ranką, po vieną epizodą, realiuoju laiku. Nėra galimybės to daryti partijomis ir nėra galimybės nuomoti sekundėmis. LeRobot duomenų rinkinys įrašymo įrenginys pateikiamas su numatytaisiais nustatymais, kurie palengvina skaičiavimus, visi trys patvirtinti DatasetRecordConfig: 60 sekundžių vienam epizodui, 60 sekundžių scenos atstatymui, 50 epizodų. Žemiau esančiame pinigų stulpelyje daroma prielaida, kad valanda žmogaus laiko kainuoja 15 USD, o tai yra prielaida, o ne platformos skaičius. Pakeiskite savo tarifą; esmė yra santykis.

1. 1
   Įrašykite duomenų rinkinį su numatytaisiais nustatymais, už kuriuos jums iš tikrųjų bus apmokestinta

   Tai yra lerobot 0.6.1, PyPI versija nuo 2026 m. rugpjūčio 3 d. Atkreipkite dėmesį į CLI formą: įrašymas vykdomas per lerobot-record konsolės įvesties tašką (lerobot.scripts.lerobot_record), o ne per seną python -m lerobot.scripts.record modulio kelią. AY-Robots orientuojasi į 0.5.1 versiją, o 0.5.1 paketas deklaruoja tuos pačius lerobot-record ir lerobot-train įvesties taškus, todėl žemiau pateikta forma yra stabili abiem versijoms. Trys laiko nustatymo vėliavėlės yra numatytieji aukštesnio lygio nustatymai, todėl tai taip pat yra komanda, kurią numato skaičiavimai kitoje lentelėje.

   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
   Peržiūrėkite, ką įrašėte, prieš išsinuomodami bent vieną GPU minutę

   Duomenų rinkinio tikrinimas kainuoja nulį USD per valandą. Tą pačią problemą aptikus iš nuostolių kreivės, H100 lygio kaina yra 2.00 USD per valandą ir apie tai sužinosite keturiomis valandomis vėliau. Įkelkite duomenų rinkinį ir peržiūrėkite jį LeRobot peržiūros programoje arba naršykite AY-Robots duomenų rinkinių kataloge.

   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
   Treniruokite ir įsitikinkite, kad kontrolinis taškas išliks ilgiau nei pod'as

   Išnuomota mašina pagal apibrėžimą yra laikina, todėl vykdymo metu kontrolinius taškus rašykite į patvarią vietą. Dvi vėliavėlės nusprendžia, ar išsaugosite tai, už ką sumokėjote. --save_freq numatytoji reikšmė yra 20 000 žingsnių, todėl numatytasis 20 000 žingsnių SmolVLA vykdymas pirmąjį kontrolinį tašką įrašo, kai vykdymas jau baigtas; sumažinkite jį prieš nuomodami bet ką, kas gali būti nutraukta. --save_checkpoint_to_hub reikalauja --policy.repo_id ir neegzistuoja lerobot 0.5.1 versijoje, todėl šioje versijoje išvesties katalogą iš mašinos kopijuojate patys. Žemiau nurodytas partijos dydis yra aukštesnio lygio dokumento pavyzdys; AY-Robots forma siunčia 2 SmolVLA ir rašo į objektų saugyklą, kai atsiranda kontroliniai taškai.

   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

Palyginkite dešinįjį stulpelį su 1–12 USD, kuriuos kainuoja vykdymas. Esant tokiam numatomam tarifui, 50 epizodų duomenų rinkinio įrašymas kainuoja du–septynis kartus brangiau nei apmokymas, neįskaitant kalibravimo, kameros nustatymo ir išmestų epizodų. Štai kodėl turi tiesioginę piniginę vertę. LeRobot vadovas siūlo bent 50 epizodų su 10 kiekvienai objekto vietai; SmolVLA dokumentuose nurodoma, kad 25 epizodų tos pačios užduoties versijos nepakako.

Kur iš tikrųjų dingsta pinigai

1. Vykdymai su duomenimis, kurie niekada nebūtų veikę

20 000 žingsnių GR00T vykdymas su duomenų rinkiniu, kuriame dvi kameros srautai buvo sukeisti, kainuoja tiek pat, kiek ir su švariu duomenų rinkiniu, užtrunka tiek pat laiko ir sukuria gerai atrodančią nuostolių kreivę. Gedimas pasirodo ant roboto rankos, po kelių valandų. apmokestinami valandomis, o diagnostika – dienomis. Du simptomai, kuriuos verta įsiminti: paprastai reiškia, kad stebėjimai neteikia to, ko reikia užduočiai, ir reiškia, kad duomenų rinkinys turėjo mažiau variacijų, nei manėte.

2. Mokėjimas pagrindinio modelio kainų už fiksuotos kameros užduotį

ACT turi maždaug 80M parametrų ir buvo sukurtas apmokyti nuo nulio naudojant 50 vienos užduoties demonstracijų. GR00T N1.7 turi maždaug 3B parametrų su iš anksto apmokyta pagrindine struktūra. Fiksuotai kamerai, fiksuotam stalui ir vienam objektui 80M modelis dažnai pasiekia tikslą, veikia maždaug 20 ms per veiksmo žingsnį vietoj 152 ms ir kainuoja nuo 1 iki 3 USD už paleidimą vietoj nuo 4 iki 12. Išleiskite 3 USD, kad sužinotumėte, ar pigus modelis veikia, prieš išleisdami 12 USD brangiam. ACT prieš SmolVLA ir GR00T N1.7 prieš Pi0.5 rodo, kur kiekvienas nustoja būti teisingu atsakymu; modelių arena turi 85 modelius ir 332 etaloninius rezultatus.

3. GPU, kurį pamiršote

Pigiausia klaida, kurios galima išvengti, ir dažniausia, kurią galima padaryti. Penktadienį paleistas egzempliorius, skirtas kažką derinti, apmokestinamas per visą savaitgalį tokiu pat tarifu kaip ir tikras paleidimas.

AY-Robots atveju ši klaida yra pašalinta išvados procesui: išvados API sukurti pod'ai turi tuščiosios eigos stebėjimo sistemą ir sunaikina save po tuščiosios eigos laikotarpio. Jei kortelę nuomojatės patys, tas stebėjimo mechanizmas yra jūsų kalendoriaus priminimas.

4. Mokėjimas du kartus už tą patį atsakymą

GR00T smulkaus derinimo įvesties taškas yra tyro CLI, kuris neatskleidžia jokios sėklos. Tai nėra platformos apribojimas, tai yra aukštesnio lygio įrankis: nėra sėklos lauko gr00t/configs/finetune_config.py, o pačios saugyklos mokymo patarimai įspėja, kad paleidimai skiriasi 5–6 procentais, nes vaizdo papildymai yra nedeterministiniai. lerobot numatytasis sėklos nustatymas yra 1000 tiek 0.5.1, tiek 0.6.1 versijose, todėl ACT, SmolVLA ir Pi0.5 paleidimus galima bent jau pakartotinai paleisti iš tos pačios inicializacijos ir duomenų tvarkos. Tai nėra bitų identiškų svorių pažadas GPU, bet tai yra skirtumas tarp pakartotinio paleidimo ir naujo eksperimento. Jei GR00T paleidimas sukuria veikiančią politiką ir jūs neišsaugojote kontrolinio taško, mokate visą kainą už rezultatą, kuris gali skirtis daugiau nei skirtumas, kurio siekėte. Yra antras būdas prarasti kontrolinį tašką, už kurį sumokėjote: CLI numatytasis nustatymas yra --save-total-limit 5, dokumentuotas kaip maksimalus kontrolinių taškų skaičius, saugomas prieš ištrinant senesnius. Saugojimas kainuoja centus; pakartotinis paleidimas kainuoja nuo 4 iki 12 USD ir trunka šešias valandas.

Daryti patiems ar leisti platformai išsinuomoti kortelę

# 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>

Kiek platforma apmokestina ir kaip ji pasirenka kortelę

Logika yra sąmoningai nuobodi. Kiekvienas modelis kataloge, deklaruoja GPU lygį; užpakalinė sistema paima reikiamą VRAM ir išsinuomoja atitinkamą kortelę toje pačioje aukščiau nurodytoje momentinėje rinkoje. Štai kodėl nurodyta kaina yra diapazonas, o ne fiksuota kaina. GR00T ir Pi0.5 čia yra tik debesies pagrindu dėl 40 GB ir 70 GB minimalių reikalavimų. SmolVLA ir ACT taip pat veikia lokaliai jūsų 24 GB kortelėje, kur debesies kaina yra nulis, o elektra yra jūsų problema.

Vienas nustatymas nusipelno įspėjimo. Gradiento kaupimas tikrai taikomas abiem GR00T variantams, todėl jį padidinus gaunamas didesnis efektyvus paketas toje pačioje kortelėje. Pi0.5 ir SmolVLA atveju jis visiškai netaikomas: lerobot 0.5.1 neturi gradiento kaupimo parinkties savo mokymo konfigūracijoje, todėl nustačius lauką į 16 nieko nekainuoja ir nieko neduoda. Jei užduotis eilėje niekada neprasideda, puslapis apie užstrigusią eilėje užduotį aprašo, ką patikrinti; jei duomenų rinkinys atmetamas prieš pradedant vykdymą, tai beveik visada yra v3.0 formato problema.

Parengtas biudžetas pirmajai veikiančiai politikai

Visos keturios eilutės kartu, pradedant nuo nulio. Bendras GPU kiekis numato nuo 3 iki 5 paleidimų: pirmasis įrodo, kad konvejeris veikia, antrasis atskleidžia duomenų problemą, trečiasis arba ketvirtasis yra tas, kurį pasiliekate.

Šis modelis galioja ir tokio dydžio robotams: skaičiavimai yra apvalinimo klaida, aparatinė įranga yra reali vienkartinė išlaida, žmogaus valandos yra pasikartojančios išlaidos. Norėdami išbandyti mokymo dalį prieš ką nors pirkdami, leidžia palyginti modelius ir išsinuomoti GPU be roboto rankos, o yra fizinis SO-100, kurį galite valdyti naršyklėje be registracijos. Visai galutinei sistemai, apima nustatymą, ir mokymą, o yra trumpoji versija.