VLA apmācības izmaksas: Cik patiesībā maksā precizēšanas palaišana

Rēķinam ir četras pozīcijas, un GPU ir mazākā

Kad cilvēki jautā, cik maksā precīza redzes-valodas-darbības modeļa precizēšana SO-100, viņi gandrīz vienmēr domā GPU nomu. Tas ir skaitlis, kas parādās kā maksa kartē, tāpēc tas šķiet reāls. Tas ir arī, ar lielu starpību, mazākais no četriem skaitļiem, kas nosaka, cik patiesībā maksā strādājoša politika.

Tālāk norādītie apmācības laiki nāk no piecu modeļu pašu publikācijām un repozitorijiem, aparatūras izmaksas no publicētajiem materiālu sarakstiem, platformas numuri no AY-Robots politikas katalogs un cenu lapa. Ja platforma nepalīdz, šis raksts to norāda.

Cik patiesībā maksā GPU stunda tūlītējā tirgū

Nav vienas cenas par A100 stundu. Tādos tirgos kā vast.ai katrs saimnieks nosaka savu likmi, un apmācības palaišana ko palaižat, nonāk uz tās mašīnas, kas tajā sekundē ir lēta un brīva. Godīga atbilde ir sadalījums. Lūk, tas ir, mērīts 2026. gada 23. augustā plkst. 13:44 UTC: atsevišķas pilnas kartes, pēc pieprasījuma, filtrētas pēc reālās 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

Kāpēc 3B modeļi nevar izmantot lēto karti

4090 stunda un H100 80 GB stunda atšķiras aptuveni sešas reizes, ņemot vērā iepriekš minētās mediānas. Tas, kas liek izmantot dārgo karti, nav ātrums, bet gan atmiņa. openpi nosaka minimālo prasību pilnai Pi0.5 precizēšanai pie 70 GB, un NVIDIA iesaka 40 GB vai vairāk GR00T. Ņemiet vērā, kas GR00T skaitlis nav. Tā precizēšanas konfigurācija pēc noklusējuma iesaldē valodu modeli un vizuālo kodētāju (tune_llm un tune_visual ir False, projektors un difūzijas galva True), tāpēc katalogā ir uzskaitīti aptuveni 40 M apmācīti parametri no 3 B. 40 GB nav optimizatora stāvoklis 3 B svariem, tas ir iesaldētais pamats plus aktivizācijas. Samazināta apjoma varianti prasa mazāk: openpi LoRA ceļš prasa 22.5 GB un nosauc 4090, un NVIDIA Isaac Lab Arena darbplūsma uzskaita 24 GB viena GPU opciju GR00T pēcapmācībai. Platforma balstās uz minimālajām prasībām, ko katrs piegādātājs publicē par konfigurāciju, ko tas faktiski izmanto. pi0 plūsmas saskaņošanas apraksts izskaidro, no kurienes nāk šis plūsmas saskaņošanas nospiedums.

Šī tabula ir iemesls, kāpēc platforma sadala piecus modeļus divos līmeņos. GR00T N1.7, GR00T N1.5 un Pi0.5 tiek izmantoti ar A100 80 GB vai H100, jo to pieprasa piegādātāji. SmolVLA un ACT tiek izmantoti ar RTX 4090 vai jebkuru 24 GB karti, jo tas ir patiešām pietiekami.

Cik ilgi katrs no pieciem modeļiem faktiski darbojas

Izpildes laiks ir otra izmaksu puse: 2.00 USD stundā ir nenozīmīgi, ja darbs ilgst 40 minūtes, un postoši, ja tas ilgst 40 stundas. Šīs ir noklusējuma vērtības, ko AY-Robots patiešām nosūta apmācītājam, ar izpildes logu un izmaksām katram līmenim.

No kurienes nāk šie izpildes logi augšup pa straumi

• SmolVLA: lerobot dokumentācija norāda, ka 20 000 soļu aizņem aptuveni 4 stundas uz vienas A100 kartes. Platforma veic tos pašus 20 000 soļus lētākajā 24 GB līmenī, tādēļ tiek norādīts logs, nevis fiksētas 4 stundas.
• ACT: oriģinālajā ALOHA rakstā tiek ziņots par aptuveni 5 stundām uz vienas 11 GB RTX 2080 Ti kartes 80M parametru modelim. 4090 ir vairākas paaudzes jaunāka, taču platforma paredz 100 000 soļu, tāpēc logs nonāk tajā pašā vietā.
• GR00T: NVIDIA atsauces darbplūsma N1.6 paaudzei norāda aptuveni 4 līdz 8 stundas 20 000 soļiem ar partiju 24 uz astoņām L40S kartēm, un 2 līdz 3 stundas 30 000 soļiem ar partiju 16 uz vienas Ada 6000 kartes. Viena kartes smalkā pielāgošana 3B VLA dažu stundu laikā ir normāla, nevis optimistiska.
• Pi0.5: openpi nepublicē reālo laika rādītāju, taču publicē 70 GB minimālo prasību pilnai smalkai pielāgošanai, kas nosaka karti un līdz ar to arī ātrumu.

Ir vērts apstāties pie skaitļa, par kuru nemaksājat. GR00T N1 raksts ziņo par aptuveni 50 000 H100 GPU stundām, lai iepriekš apmācītu 2.2B modeli, klasterī ar līdz pat 1024 GPU, ar iepriekšējas apmācības partijas izmēru 16 384 200 000 gradienta soļiem. Pie iepriekš minētās 1.34 līdz 2.34 USD par stundu, tas ir aptuveni 67 000 līdz 117 000 USD nomātas skaitļošanas jaudas. SmolVLA raksts novērtē savu projektu aptuveni 30 000 GPU stundās, izmantojot 481 kopienas datu kopas, 22.9K epizodes un 10.6M kadrus. Jūs to visu mantojat par lejupielādes cenu; jūsu 8 USD nopērk pēdējos 20 000 soļus. Kāpēc VLA tiek veidoti šādā veidā aptver šo sadalījumu.

Roka: vienreizējas izmaksas, kas pārsniedz GPU rēķinu

Viena apmācības sesija maksā mazāk nekā pusdienas. Robots – ne. Tāpēc SO-100 ir svarīgs: tā ir lētākā roka, ko visa imitācijas mācīšanās rīku ķēde patiešām atbalsta.

SO-ARM100 repozitorija augšupējais materiālu saraksts ir detalizētāks un ir vērts to pārbaudīt atbilstoši jūsu reģionam: tā Detaļas divām rokām saraksts kopā veido 229.88 USD vai 226.30 EUR līdera un sekotāja konfigurācijai, un tā Detaļas vienai sekotāja rokai saraksts kopā veido 121.94 USD vai 124.30 EUR. Seši STS3215 servomotori par 13.89 USD katrs veido 83.34 no šiem 121.94, tātad servomotori ir roka. Pie 1 līdz 3 USD par SmolVLA vai ACT sesiju, viens roku pāris ir vērts starp 77 un 230 apmācības sesijām. Ja jūs vēl joprojām izvēlaties, SO-100 pret SO-101 ir salīdzinājums, kas ir svarīgs, jo abi ir pietiekami līdzīgi, lai lēmums būtu par pieejamību, nevis spējām.

Cilvēkstundas: rinda, ko neviens neievieto izklājlapā

Šis ir skaitlis, kas apgriež izmaksu diskusiju kājām gaisā. Demonstrāciju ierakstīšana ir cilvēks, kas reāllaikā pārvieto robota roku, pa vienai epizodei. To nevar apstrādāt partijās un nevar iznomāt pa sekundēm. LeRobot datu kopa ierakstītājs tiek piegādāts ar noklusējuma iestatījumiem, kas atvieglo aprēķinus, visi trīs apstiprināti DatasetRecordConfig: 60 sekundes uz epizodi, 60 sekundes, lai atiestatītu ainu, 50 epizodes. Zemāk esošajā naudas kolonnā tiek pieņemts 15 USD par stundu kāda cilvēka laika, kas ir pieņēmums, nevis platformas skaitlis. Aizstājiet ar savu likmi; attiecība ir būtiska.

1. 1
   Ierakstiet datu kopu ar noklusējuma iestatījumiem, par kuriem jums faktiski tiks izrakstīts rēķins

   Šī ir lerobot 0.6.1, versija PyPI no 2026. gada 3. augusta. Ņemiet vērā CLI formu: ierakstīšana notiek caur lerobot-record konsoles sākumpunktu (lerobot.scripts.lerobot_record), nevis veco python -m lerobot.scripts.record moduļa ceļu. AY-Robots mērķē uz 0.5.1, un 0.5.1 pakotne deklarē tos pašus lerobot-record un lerobot-train sākumpunktus, tāpēc zemāk redzamā forma ir stabila abām versijām. Trīs laika iestatījumu karodziņi ir augšupējie noklusējuma iestatījumi, tāpēc šī ir arī komanda, ko pieņem aprēķini nākamajā tabulā.

   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
   Apskatiet ierakstīto, pirms iznomājat kaut vienu GPU minūti

   Datu kopas pārbaude maksā nulli USD stundā. Tās pašas problēmas atklāšana no zudumu līknes maksā 2.00 USD stundā H100 līmenī un paziņo jums četras stundas vēlāk. Ievietojiet datu kopu un pārbaudiet to LeRobot skatītājā, vai pārlūkojiet AY-Robots datu kopu direktoriju.

   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
   Apmāciet un pārliecinieties, ka kontrolpunkts pārdzīvo podu

   Iznomāta mašīna pēc definīcijas ir pagaidu, tāpēc izpildes laikā saglabājiet kontrolpunktus kaut kur izturīgā vietā. Divi karodziņi nosaka, vai jūs saglabājat to, par ko maksājāt. --save_freq noklusējuma vērtība ir 20 000 soļu, tāpēc noklusējuma 20 000 soļu SmolVLA izpilde ieraksta savu pirmo kontrolpunktu, kad izpilde jau ir beigusies; samaziniet to, pirms iznomājat kaut ko pārtraucamu. --save_checkpoint_to_hub prasa --policy.repo_id un nepastāv lerobot 0.5.1, tāpēc šajā versijā jums pašam ir jākopē izvades direktorijs no mašīnas. Zemāk norādītais partijas lielums ir augšupējā dokumenta piemērs; AY-Robots forma nosūta 2 SmolVLA un raksta uz objektu krātuvi, kad parādās kontrolpunkti.

   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

Salīdziniet labo kolonnu ar 1 līdz 12 USD, ko maksā izpilde. Pie šīs pieņemtās likmes 50 epizožu datu kopas ierakstīšana maksā divas līdz septiņas reizes vairāk nekā apmācība, pirms kalibrēšanas, kameras iestatīšanas un izmestajām epizodēm. Tāpēc ir tieša dolāru vērtība. LeRobot ceļvedis iesaka vismaz 50 epizodes ar 10 katrā objekta atrašanās vietā; SmolVLA dokumentācija ziņo, ka 25 epizožu versija tai pašai uzdevumam nebija pietiekama.

Kur nauda patiesībā pazūd

1. Izpildes ar datiem, kas nekad nedarbotos

20 000 soļu GR00T izpilde ar datu kopu, kurā ir divas apmainītas kameras plūsmas, maksā tikpat, cik izpilde ar tīru datu kopu, aizņem to pašu laiku un rada zaudējumu līkni, kas izskatās labi. Kļūme parādās uz rokas, stundas vēlāk. tiek rēķināti pa stundām, un diagnostika tiek rēķināta pa dienām. Divi simptomi, ko vērts iegaumēt: parasti nozīmē, ka novērojumi nesatur to, kas nepieciešams uzdevumam, un nozīmē, ka datu kopai bija mazāka variācija, nekā jūs domājāt.

2. Maksāt pamata modeļa cenas par fiksētas kameras uzdevumu

ACT ir aptuveni 80M parametru un tika izstrādāts, lai apmācītu no nulles, izmantojot 50 vienas uzdevuma demonstrācijas. GR00T N1.7 ir aptuveni 3B ar iepriekš apmācītu mugurkaulu. Fiksētai kamerai, fiksētam galdam un vienam objektam 80M modelis bieži vien sasniedz mērķi, darbojas ar aptuveni 20 ms uz darbības soli, nevis 152 ms, un maksā no 1 līdz 3 USD par izpildi, nevis no 4 līdz 12. Iztērējiet 3 USD, lai noskaidrotu, vai lētais modelis darbojas, pirms tērējat 12 USD dārgajam. ACT pret SmolVLA un GR00T N1.7 pret Pi0.5 parāda, kur katrs pārstāj būt pareizā atbilde; modeļu arēna ir 85 modeļi un 332 etalonuzdevumu rezultāti.

3. GPU, ko aizmirsāt

Lētākā kļūda, ko novērst, un visbiežāk pieļautā. Instance, kas sākta piektdien, lai atkļūdotu kaut ko, tiek rēķināta visu nedēļas nogali ar tādu pašu likmi kā reāla izpilde.

AY-Robots šī kļūme ir novērsta secinājumu veikšanai: podi, ko nodrošina secinājumu API, satur dīkstāves sargsuņa funkciju un iznīcina sevi pēc dīkstāves perioda. Ja karti nomājat pats, šis sargsuns ir jūsu kalendāra atgādinājums.

4. Maksāt divreiz par to pašu atbildi

GR00T smalkās pielāgošanas sākumpunkts ir tyro CLI, kas neatklāj sēklu. Tā nav platformas ierobežojums, tas ir augšupējais rīks: nav sēklas lauka gr00t/configs/finetune_config.py, un repozitorija pašu apmācības padomi brīdina, ka izpildes atšķiras par 5 līdz 6 procentiem, jo attēlu papildinājumi nav deterministiski. lerobot pēc noklusējuma izmanto sēklu 1000 gan 0.5.1, gan 0.6.1 versijās, tāpēc ACT, SmolVLA un Pi0.5 izpildes var vismaz atkārtoti palaist no tās pašas inicializācijas un datu secības. Tas nav solījums par bitu identiskiem svariem uz GPU, bet tā ir atšķirība starp atkārtotu palaišanu un jaunu eksperimentu. Ja GR00T izpilde rada politiku, kas darbojas, un jūs neesat saglabājis kontrolpunktu, jūs maksājat pilnu cenu par rezultātu, kas var atšķirties vairāk nekā atšķirība, ko jūs meklējāt. Ir otrs veids, kā zaudēt kontrolpunktu, par kuru esat maksājis: CLI pēc noklusējuma izmanto --save-total-limit 5, kas dokumentēts kā maksimālais saglabāto kontrolpunktu skaits pirms vecāko dzēšanas. Krātuve maksā centus; atkārtota palaišana ir 4 līdz 12 USD un sešas stundas.

Darīt to pašam pretī ļaujot platformai nomāt karti

# 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>

Ko platforma iekasē un kā tā izvēlas karti

Loģika ir apzināti garlaicīga. Katrs modelis katalogā, deklarē GPU līmeni; aizmugursistēma paņem nepieciešamo VRAM un iznomā atbilstošu karti tajā pašā iepriekš minētajā tūlītējā tirgū. Tāpēc norādītās izmaksas ir diapazons, nevis cena. GR00T un Pi0.5 šeit ir pieejami tikai mākonī 40 GB un 70 GB minimālo prasību dēļ. SmolVLA un ACT darbojas arī lokāli uz jūsu pašu 24 GB kartes, kur mākoņa izmaksas ir nulle un elektrība ir jūsu problēma.

Vienam parametram ir jāpievērš uzmanība. Gradientu akumulācija patiešām attiecas uz abiem GR00T variantiem, tāpēc tās palielināšana nodrošina lielāku efektīvo partiju uz tās pašas kartes. Pi0.5 un SmolVLA gadījumā tā vispār nav piemērojama: lerobot 0.5.1 apmācības konfigurācijā nav gradientu akumulācijas opcijas, tāpēc lauka iestatīšana uz 16 neko nemaksā un neko nedod. Ja rindā esošs darbs nekad nesākas, lapā par iestrēgušiem darbiem rindā, ir aprakstīts, kas jāpārbauda; ja datu kopa tiek noraidīta pirms izpildes sākuma, tas gandrīz vienmēr ir v3.0 formāta problēma.

Izstrādāts budžets pirmajai strādājošai politikai

Visas četras rindas kopā, sākot no nulles. Kopējais GPU apjoms pieņem 3 līdz 5 palaišanas reizes: pirmā pierāda, ka konveijers darbojas, otrā atklāj datu problēmu, trešā vai ceturtā ir tā, ko jūs paturat.

Šis princips attiecas arī uz šāda izmēra robotiem: aprēķini ir niecīga kļūda, aparatūra ir reālas vienreizējas izmaksas, cilvēkstundas ir atkārtoti izdevumi. Lai pārbaudītu apmācības pusi pirms jebkā iegādes, ļauj salīdzināt modeļus un nomāt GPU bez robota rokas, un ir fizisks SO-100, ko var vadīt pārlūkprogrammā bez reģistrācijas. Lai izmantotu visu cauruļvadu no sākuma līdz beigām, aptver iestatīšanu, un apmācību, un ir īsā versija.