VLA පුහුණු පිරිවැය: සූක්ෂම-සුසර කිරීමේ ධාවනයකට සැබවින්ම වැයවන දේ

බිල්පතට අයිතම හතරක් ඇති අතර, GPU යනු කුඩාම එකයි

SO-100 සඳහා දෘශ්‍ය-භාෂා-ක්‍රියාකාරී මාදිලියක් සියුම් ලෙස සුසර කිරීමට කොපමණ මුදලක් වැය වේදැයි මිනිසුන් විමසන විට, ඔවුන් බොහෝ විට අදහස් කරන්නේ GPU කුලියට ගැනීමයි. එය කාඩ්පතක ගාස්තුවක් ලෙස දිස්වන අංකය වන බැවින්, එය සැබෑ යැයි හැඟෙන එකකි. එය පුළුල් පරතරයකින්, ක්‍රියාකාරී ප්‍රතිපත්තියක් ඇත්ත වශයෙන්ම ඔබට වැය වන දේ තීරණය කරන අංක හතරෙන් කුඩාම එක ද වේ.

පහත පුහුණු කාලයන් ආකෘති පහේම පත්‍රිකා සහ ගබඩා වලින් ලබාගෙන ඇත, දෘඪාංග පිරිවැය ප්‍රකාශිත ද්‍රව්‍ය බිල්පතෙන් ලබාගෙන ඇත, වේදිකා අංක AY-Robots වෙතින් ලබාගෙන ඇත ප්‍රතිපත්ති නාමාවලිය සහ මිලකරණ පිටුව. වේදිකාව උපකාරී නොවන තැන, මෙම ලිපිය එය සඳහන් කරයි.

GPU පැයක් ඇත්ත වශයෙන්ම ස්පොට් වෙළඳපොලේ කොපමණ මුදලක් වැය වේද

A100 පැයක් සඳහා තනි මිලක් නොමැත. vast.ai වැනි වෙළඳපොලක සෑම සත්කාරකයෙක්ම තමන්ගේම ගාස්තුවක් නියම කරන අතර, ඔබ දියත් කරන පුහුණු ධාවනය එම මොහොතේ ලාභදායී සහ නිදහස් ඕනෑම යන්ත්‍රයකට ගොඩබසිනු ඇත. අවංක පිළිතුර වන්නේ ව්‍යාප්තියකි. එය මෙහි දැක්වේ, 2026 අගෝස්තු 23 දින 13:44 UTC ට මනිනු ලැබූ පරිදි: තනි සම්පූර්ණ කාඩ්පත්, ඉල්ලුම මත, සත්‍ය VRAM මගින් පෙරහන් කර ඇත.

# 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 මාදිලිවලට ලාභ කාඩ්පත භාවිතා කළ නොහැක්කේ ඇයි?

ඉහත මධ්‍යයන්ට අනුව 4090 පැයක් සහ H100 80 GB පැයක් අතර දළ වශයෙන් හය ගුණයක වෙනසක් ඇත. ඔබට මිල අධික කාඩ්පතක් වෙත යොමු වීමට බල කරන්නේ වේගය නොව, මතකයයි. openpi සම්පූර්ණ Pi0.5 සියුම් සුසර කිරීම සඳහා අවම අවශ්‍යතාවය 70 GB ලෙස දක්වයි, තවද NVIDIA GR00T සඳහා 40 GB හෝ ඊට වැඩි ප්‍රමාණයක් නිර්දේශ කරයි. GR00T අංකය කුමක් නොවේදැයි සලකන්න. එහි fine-tune config මඟින් භාෂා ආකෘතිය සහ දෘශ්‍ය කේතකය පෙරනිමියෙන් අක්‍රිය කරයි (tune_llm සහ tune_visual අසත්‍ය වන අතර, ප්‍රොජෙක්ටරය සහ ඩිෆියුෂන් හෙඩ් සත්‍ය වේ), එම නිසා නාමාවලිය 3 B වලින් පුහුණු කරන ලද පරාමිති දළ වශයෙන් 40 M ලෙස දක්වයි. 40 GB යනු 3 B බර සඳහා ප්‍රශස්තකාරක තත්ත්වය නොවේ, එය අක්‍රිය කරන ලද ප්‍රධාන කොටස සහ සක්‍රීය කිරීම් වේ. අඩු කරන ලද විෂය පථ ප්‍රභේද අඩු වේ: openpi හි LoRA මාර්ගයට 22.5 GB අවශ්‍ය වන අතර 4090 නම් කරයි, තවද NVIDIA හි Isaac Lab Arena වැඩ ප්‍රවාහය GR00T පුහුණුවෙන් පසු 24 GB තනි GPU විකල්පයක් දක්වයි. වේදිකාව, එක් එක් විකුණුම්කරු විසින් ඔවුන් සැබවින්ම ක්‍රියාත්මක කරන වින්‍යාසය සඳහා ප්‍රකාශයට පත් කරන අවම අවශ්‍යතා මත පදනම් වේ. pi0 flow-matching පිළිබඳ ලිපිය පැහැදිලි කරයි, එම ප්‍රවාහ ගැලපීම අඩිපාර පැමිණෙන්නේ කොහෙන්ද කියා.

එම වගුව නිසා වේදිකාව ආකෘති පහ ස්ථර දෙකකට බෙදයි. GR00T N1.7, GR00T N1.5 සහ Pi0.5 A100 80 GB හෝ H100 මත ක්‍රියාත්මක වන්නේ විකුණුම්කරුවන් ඉල්ලා සිටින්නේ එය වන බැවිනි. SmolVLA සහ ACT RTX 4090 හෝ ඕනෑම 24 GB කාඩ්පතක් මත ක්‍රියාත්මක වන්නේ එය සැබවින්ම ප්‍රමාණවත් වන බැවිනි.

ආකෘති පහෙන් එක් එක් ආකෘතිය සැබවින්ම ක්‍රියාත්මක වන කාලය

ක්‍රියාත්මක වන කාලය යනු පිරිවැයේ අනෙක් භාගයයි: කාර්යය විනාඩි 40ක් නම් පැයකට ඩොලර් 2.00 අදාළ නොවන අතර, එය පැය 40ක් නම් විනාශකාරී වේ. මේවා AY-Robots පුහුණුකරු වෙත සැබවින්ම යවන පෙරනිමි සැකසුම් වන අතර, එක් එක් ස්ථරය සඳහා ක්‍රියාත්මක වන කවුළුව සහ පිරිවැය ද මෙහි දැක්වේ.

එම ධාවන කවුළු ඉහළින් පැමිණෙන්නේ කොහෙන්ද

• SmolVLA: lerobot ලේඛනවල සඳහන් වන්නේ තනි A100 එකක පියවර 20,000ක් සඳහා ආසන්න වශයෙන් පැය 4ක් ගතවන බවයි. වේදිකාව එම පියවර 20,000ම ලාභදායී 24 GB ස්ථරයේ ධාවනය කරයි, එබැවින් පැතලි පැය 4ක් වෙනුවට කවුළුවක් ලැබේ.
• ACT: මුල් ALOHA පත්‍රිකාවේ වාර්තා වන්නේ 80M-පරාමිති ආකෘතියක් සඳහා තනි 11 GB RTX 2080 Ti එකක ආසන්න වශයෙන් පැය 5ක් ගතවන බවයි. 4090 යනු පරම්පරා කිහිපයක් නවතම එකක් වුවද, වේදිකාව පියවර 100,000ක් සඳහා අයවැය සකස් කරයි, එබැවින් කවුළුව එකම ස්ථානයට පැමිණේ.
• GR00T: N1.6 පරම්පරාව සඳහා NVIDIA හි යොමු වැඩ ප්‍රවාහය අනුව, L40S කාඩ්පත් අටක් මත batch 24 දී පියවර 20,000ක් සඳහා ආසන්න වශයෙන් පැය 4 සිට 8 දක්වාත්, තනි Ada 6000 එකක් මත batch 16 දී පියවර 30,000ක් සඳහා පැය 2 සිට 3 දක්වාත් ගතවේ. පැය කිහිපයක් තුළ 3B VLA එකක තනි කාඩ්පත් සියුම් සුසර කිරීම සාමාන්‍ය දෙයකි, එය ශුභවාදී නොවේ.
• Pi0.5: openpi කිසිදු wall-clock අගයක් ප්‍රකාශයට පත් නොකරයි, නමුත් එය සම්පූර්ණ සියුම් සුසර කිරීමක් සඳහා 70 GB අවම අගය ප්‍රකාශයට පත් කරයි, එය කාඩ්පත සහ ඒ අනුව අනුපාතය තීරණය කරයි.

ඔබ නොගෙවන අංකය ගැන මොහොතක් සිතා බලන්න. GR00T N1 පත්‍රිකාව වාර්තා කරන්නේ 2.2B ආකෘතිය පුහුණු කිරීමට H100 GPU පැය 50,000ක් පමණ ගතවන බවයි, එය GPU 1024ක් දක්වා වූ පොකුරක් මත, 200,000 gradient steps සඳහා 16,384ක pretraining batch size එකක් සමඟිනි. ඉහත මනින ලද පැයකට 1.34 සිට 2.34 USD දක්වා අගය අනුව, එය 67,000 සිට 117,000 USD දක්වා කුලියට ගත් පරිගණක බලයකි. SmolVLA පත්‍රිකාව එහි ව්‍යාපෘතිය ප්‍රජා දත්ත කට්ටල 481ක්, 22.9K කථාංග සහ 10.6M රාමු හරහා ආසන්න වශයෙන් GPU පැය 30,000ක් ලෙස දක්වයි. බාගත කිරීමේ මිලට ඔබට මේ සියල්ල උරුම වේ; ඔබේ 8 USD මඟින් අවසාන පියවර 20,000 මිලදී ගනී. VLAs මේ ආකාරයට ගොඩනඟා ඇත්තේ ඇයි එම බෙදීම ආවරණය කරයි.

අත: GPU බිලට වඩා විශාල එක් වරක් දැරිය යුතු පිරිවැයක්

පුහුණු ධාවනයකට දිවා ආහාරයට වඩා අඩු පිරිවැයක් දරයි. රොබෝවරයා එසේ නොවේ. ඒ නිසා SO-100 වැදගත් වේ: එය සමස්ත අනුකරණ ඉගෙනීම මෙවලම් දාමය ඇත්ත වශයෙන්ම සහාය දක්වන ලාභම අතයි.

SO-ARM100 ගබඩාවේ ඇති උඩුගං බිල්පත් ද්‍රව්‍ය වඩාත් සවිස්තරාත්මක වන අතර ඔබේ කලාපයට අනුව පරීක්ෂා කිරීම වටී: එහි අත් දෙකක් සඳහා කොටස් ලැයිස්තුවේ නායකයෙකු සහ අනුගාමිකයෙකු සඳහා 229.88 USD හෝ 226.30 EUR ක් වන අතර, එහි එක් අනුගාමික අතක් සඳහා කොටස් ලැයිස්තුවේ 121.94 USD හෝ 124.30 EUR ක් වේ. STS3215 සර්වෝ හයක් බැගින් 13.89 USD බැගින් 83.34 ක් වන අතර, එය 121.94 න් කොටසකි, එබැවින් සර්වෝ යනු අතයි. SmolVLA හෝ ACT ධාවනයකට 1 සිට 3 USD බැගින්, අත් යුගලයක් පුහුණු ධාවන 77 ත් 230 ත් අතර වටිනාකමක් දරයි. ඔබ තවමත් තෝරා ගන්නේ නම්, SO-100 SO-101 ට එරෙහිව යනු වැදගත් වන සංසන්දනයයි, මන්ද දෙකම ප්‍රමාණවත් තරම් සමීප බැවින් තීරණය හැකියාවට වඩා ලබා ගත හැකි වීම මත රඳා පවතී.

මිනිස් පැය: කිසිවෙකු පැතුරුම්පතට නොදමන පේළිය

මෙය පිරිවැය සාකච්ඡාව උඩු යටිකුරු කරන අංකයයි. නිරූපණ පටිගත කිරීම යනු රොබෝ අතක්, එකවර එක් කථාංගයක්, තත්‍ය කාලීනව චලනය කරන පුද්ගලයෙකි. එය කණ්ඩායම් වශයෙන් කළ නොහැකි අතර තත්පරයට කුලියට දිය නොහැක. LeRobot දත්ත කට්ටලය රෙකෝඩරය ගණනය කිරීම් පහසු කරන පෙරනිමි සැකසුම් සමඟ පැමිණේ, මේ සියල්ල DatasetRecordConfig හි තහවුරු කර ඇත: තත්පර 60 බැගින් කථාංගය, දර්ශනය නැවත සැකසීමට තත්පර 60ක්, කථාංග 50ක්. පහත මුදල් තීරුව යමෙකුගේ පැයක කාලය සඳහා ඩොලර් 15ක් උපකල්පනය කරයි, එය වේදිකා අංකයක් නොව උපකල්පනයකි. ඔබේම අනුපාතය ආදේශ කරන්න; අනුපාතය වැදගත් වේ.

1. 1
   ඔබට සැබවින්ම බිල්පත් වන පෙරනිමි සැකසුම් සමඟ දත්ත කට්ටලය පටිගත කරන්න

   මෙය 2026 අගෝස්තු 3 වන විට PyPI හි ඇති lerobot 0.6.1 අනුවාදයයි. CLI හැඩය සටහන් කරන්න: පටිගත කිරීම lerobot-record කොන්සෝල ප්‍රවේශ ලක්ෂ්‍යය (lerobot.scripts.lerobot_record) හරහා ක්‍රියාත්මක වේ, පැරණි python -m lerobot.scripts.record මොඩියුල මාර්ගය හරහා නොවේ. AY-Robots 0.5.1 ඉලක්ක කරන අතර, 0.5.1 රෝදය එකම lerobot-record සහ lerobot-train ප්‍රවේශ ලක්ෂ්‍ය ප්‍රකාශ කරයි, එබැවින් පහත හැඩය දෙකෙහිම ස්ථායී වේ. කාල නියම කිරීමේ ධජ තුන ඉහළ ප්‍රවාහයේ පෙරනිමි සැකසුම් වේ, එබැවින් මෙය ඊළඟ වගුවේ ගණනය කිරීම් උපකල්පනය කරන විධානය ද වේ.

   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
   ඔබ තනි GPU මිනිත්තුවක් කුලියට ගැනීමට පෙර ඔබ පටිගත කළ දේ බලන්න

   දත්ත කට්ටලයක් පරීක්ෂා කිරීම සඳහා පැයකට ඩොලර් ශුන්‍යයක් වැය වේ. අලාභ වක්‍රයකින් එම ගැටලුවම සොයා ගැනීම H100 ස්ථරයේ පැයකට ඩොලර් 2.00ක් වැය වන අතර පැය හතරක් ප්‍රමාද වී ඔබට දැනුම් දෙයි. දත්ත කට්ටලය තල්ලු කර LeRobot නරඹන්නා තුළ එය පිරිසිදු කරන්න, නැතහොත් AY-Robots දත්ත කට්ටල නාමාවලිය පිරික්සන්න.

   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
   පුහුණු කරන්න, සහ පරීක්ෂණ ස්ථානය පොඩ් එකට වඩා කල් පවතින බවට වග බලා ගන්න

   කුලියට ගත් යන්ත්‍රයක් අර්ථ දැක්වීම අනුව තාවකාලිකයි, එබැවින් ධාවනය අතරතුර පරීක්ෂණ ස්ථාන ස්ථිර තැනක ලියන්න. ධජ දෙකක් ඔබ ගෙවූ දේ තබා ගන්නේද යන්න තීරණය කරයි. --save_freq පෙරනිමියෙන් පියවර 20,000ක් වන අතර, පෙරනිමි 20,000-පියවර SmolVLA ධාවනය එහි පළමු පරීක්ෂණ ස්ථානය ලියන්නේ ධාවනය දැනටමත් අවසන් වූ විටය; බාධා කළ හැකි කිසිවක් කුලියට ගැනීමට පෙර එය අඩු කරන්න. --save_checkpoint_to_hub සඳහා --policy.repo_id අවශ්‍ය වන අතර lerobot 0.5.1 හි නොපවතී, එබැවින් එම අනුවාදයේදී ඔබ විසින්ම ප්‍රතිදාන නාමාවලිය යන්ත්‍රයෙන් පිටපත් කළ යුතුය. පහත කණ්ඩායම් ප්‍රමාණය ඉහළ ප්‍රවාහ ලේඛනයේ උදාහරණයයි; AY-Robots පෝරමය SmolVLA සඳහා 2ක් යවන අතර පරීක්ෂණ ස්ථාන දිස්වන විට වස්තු ගබඩාවට ලියයි.

   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

දකුණු පස තීරුව ධාවනය සඳහා වැයවන 1 සිට 12 USD සමඟ සසඳන්න. එම උපකල්පිත අනුපාතය අනුව, 50-කථාංග දත්ත කට්ටලයක් පටිගත කිරීමට, ක්‍රමාංකනය, කැමරා සැකසීම සහ ඔබ ඉවතලන කථාංග වලට පෙර, පුහුණු කිරීමට වැයවන මුදල මෙන් දෙගුණයක් සිට හත් ගුණයක් දක්වා වැයවේ. ඒ නිසයි සෘජු ඩොලර් වටිනාකමක් ඇත. LeRobot මාර්ගෝපදේශය වස්තු ස්ථානයකට 10 බැගින් අවම වශයෙන් කථාංග 50ක් යෝජනා කරයි; SmolVLA ලේඛන වාර්තා කරන්නේ එම කාර්යයේම 25-කථාංග අනුවාදයක් ප්‍රමාණවත් නොවූ බවයි.

මුදල් ඇත්ත වශයෙන්ම නැතිවන්නේ කොතැනින්ද

1. කිසිදා ක්‍රියාත්මක නොවන දත්ත මත ධාවනය වීම

කැමරා ධාරා දෙකක් මාරු වූ දත්ත කට්ටලයක් මත 20,000-පියවර GR00T ධාවනයක්, පිරිසිදු දත්ත කට්ටලයක් මත ධාවනය වන එකක් හා සමාන පිරිවැයක් දරයි, එකම කාලයක් ගතවේ, සහ හොඳින් පෙනෙන පාඩු වක්‍රයක් නිපදවයි. අසාර්ථකත්වය පැය ගණනකට පසු අත මත දිස්වේ. පැයකට බිල් කරනු ලබන අතර රෝග විනිශ්චය දින ගණනින් බිල් කරනු ලැබේ. මතක තබාගත යුතු රෝග ලක්ෂණ දෙකක්: සාමාන්‍යයෙන් අදහස් කරන්නේ නිරීක්ෂණ මගින් කාර්යයට අවශ්‍ය දේ නොලැබෙන බවයි, සහ යන්නෙන් අදහස් කරන්නේ දත්ත කට්ටලයේ ඔබ සිතුවාට වඩා අඩු විචලනයක් තිබූ බවයි.

2. ස්ථාවර කැමරා කාර්යයක් සඳහා පදනම්-ආකෘති මිල ගෙවීම

ACT ආසන්න වශයෙන් පරාමිති මිලියන 80ක් වන අතර එක් කාර්යයක නිරූපණ 50ක් මත මුල සිට පුහුණු කිරීමට සැලසුම් කර ඇත. GR00T N1.7 ආසන්න වශයෙන් බිලියන 3ක් වන අතර පූර්ව-පුහුණු කරන ලද පසුබිමක් ඇත. සවි කරන ලද කැමරාවක්, ස්ථාවර මේසයක් සහ එක් වස්තුවක් සඳහා, මිලියන 80 ආකෘතිය බොහෝ විට සාර්ථක වන අතර, ක්‍රියාකාරී පියවරකට මිලි තත්පර 152ක් වෙනුවට මිලි තත්පර 20ක් පමණ වේගයකින් ක්‍රියාත්මක වන අතර, ධාවනයකට ඩොලර් 4 සිට 12 දක්වා වෙනුවට ඩොලර් 1 සිට 3 දක්වා වැය වේ. මිල අධික ආකෘතිය සඳහා ඩොලර් 12ක් වැය කිරීමට පෙර, ලාභ ආකෘතිය ක්‍රියා කරන්නේ දැයි සොයා බැලීමට ඩොලර් 3ක් වැය කරන්න. ACT එදිරිව SmolVLA සහ GR00T N1.7 එදිරිව Pi0.5 එක් එක් නිවැරදි පිළිතුර වීම නතර කරන්නේ කොතැනදැයි පෙන්වයි; ආකෘති පිටිය ආකෘති 85ක් සහ මිණුම් සලකුණු ප්‍රතිඵල 332ක් ඇත.

3. ඔබට අමතක වූ GPU එක

වළක්වා ගැනීමට ඇති ලාභම වැරැද්ද සහ සිදු කිරීමට ඇති වඩාත් පොදු වැරැද්ද. යමක් නිදොස් කිරීමට සිකුරාදා දිනක ආරම්භ කරන ලද අවස්ථාවක් සති අන්තය පුරා සැබෑ ධාවනයකදී මෙන් එකම අනුපාතයකින් බිල්පත් වේ.

AY-Robots මත, මෙම අසාර්ථකත්වය අනුමාන කිරීම සඳහා නිර්මාණය කර ඇත: අනුමාන API මගින් සපයන ලද පොඩ්ස් අක්‍රිය වොච්ඩෝග් එකක් රැගෙන අක්‍රිය කාලයකට පසු ස්වයං විනාශ වේ. ඔබ කාඩ්පත ඔබම කුලියට ගන්නේ නම්, එම වොච්ඩෝග් එක ඔබේ දින දර්ශන මතක් කිරීමයි.

4. එකම පිළිතුර සඳහා දෙවරක් ගෙවීම

GR00T හි fine-tuning ඇතුල්වීමේ ලක්ෂ්‍යය වන්නේ කිසිදු seed එකක් නිරාවරණය නොකරන tyro CLI එකකි. එය වේදිකා සීමාවක් නොව, එය upstream මෙවලමයි: gr00t/configs/finetune_config.py හි seed field එකක් නොමැත, සහ repository හිම පුහුණු ඉඟි අනතුරු අඟවන්නේ රූප වැඩිදියුණු කිරීම් non-deterministic වන නිසා ධාවන 5 සිට 6 ප්‍රතිශතයකින් වෙනස් වන බවයි. lerobot 0.5.1 සහ 0.6.1 යන දෙකෙහිම seed 1000 ට පෙරනිමි වන අතර, එබැවින් ACT, SmolVLA සහ Pi0.5 ධාවන අවම වශයෙන් එකම ආරම්භකකරණයෙන් සහ දත්ත අනුපිළිවෙලින් නැවත ධාවනය කළ හැක. එය GPU එකක bit-identical weights පිළිබඳ පොරොන්දුවක් නොවේ, නමුත් එය නැවත ධාවනයක් සහ නව අත්හදා බැලීමක් අතර වෙනසයි. GR00T ධාවනයක් ක්‍රියා කරන policy එකක් නිපදවන්නේ නම් සහ ඔබ චෙක්පොයින්ට් තබා නොගත්තේ නම්, ඔබ ලුහුබැඳ ගිය වෙනසට වඩා වෙනස් විය හැකි ප්‍රතිඵලයක් සඳහා සම්පූර්ණ මිල ගෙවයි. ඔබ ගෙවූ චෙක්පොයින්ට් එකක් නැති කර ගැනීමට දෙවන ක්‍රමයක් තිබේ: CLI පෙරනිමි වන්නේ --save-total-limit 5 ට වන අතර, එය පැරණි ඒවා මකා දැමීමට පෙර තබා ගන්නා උපරිම චෙක්පොයින්ට් ගණන ලෙස ලේඛනගත කර ඇත. ගබඩා කිරීම සතයකි; නැවත ධාවනයක් සඳහා 4 සිට 12 USD සහ පැය හයක් ගතවේ.

ඔබ විසින්ම කිරීම එදිරිව වේදිකාවට කාඩ්පත කුලියට ගැනීමට ඉඩ දීම

# 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>

වේදිකාව අය කරන දේ සහ එය කාඩ්පත තෝරා ගන්නා ආකාරය

තර්කය හිතාමතාම නීරසයි. සෑම ආකෘතියක්ම නාමාවලිය, GPU ස්ථරයක් ප්‍රකාශ කරයි; පසුබිම අවශ්‍ය VRAM ලබාගෙන ඉහත මනින ලද එකම ස්පොට් වෙළඳපොලේ ගැලපෙන කාඩ්පතක් කුලියට ගනී. ඒ නිසා උපුටා දක්වන ලද පිරිවැය මිලක් නොව පරාසයකි. GR00T සහ Pi0.5 මෙහි වලාකුළු-පමණක් වන්නේ 40 GB සහ 70 GB සීමාවන් නිසාය. SmolVLA සහ ACT ඔබේම 24 GB කාඩ්පතක දේශීයව ද ක්‍රියාත්මක වේ, එහිදී වලාකුළු පිරිවැය ශුන්‍ය වන අතර විදුලිය ඔබේ ගැටලුවයි.

එක් පාලකයකට අනතුරු ඇඟවීමක් අවශ්‍යයි. Gradient accumulation GR00T ප්‍රභේද දෙකටම සැබවින්ම අදාළ වේ, එබැවින් එය වැඩි කිරීමෙන් එකම කාඩ්පතේ විශාල ඵලදායී කණ්ඩායමක් මිලදී ගත හැකිය. Pi0.5 සහ SmolVLA සඳහා එය කිසිසේත් අදාළ නොවේ: lerobot 0.5.1 හි එහි පුහුණු වින්‍යාසය තුළ gradient-accumulation විකල්පයක් නොමැත, එබැවින් ක්ෂේත්‍රය 16 ලෙස සැකසීමෙන් කිසිවක් වැය නොවන අතර කිසිවක් මිලදී නොගනී. පෝලිම්ගත කාර්යයක් කිසි විටෙක ආරම්භ නොවන්නේ නම්, පෝලිමේ සිරවී ඇති පිටුව පරීක්ෂා කළ යුතු දේ ආවරණය කරයි; ධාවනය ආරම්භ වීමට පෙර දත්ත කට්ටලය ප්‍රතික්ෂේප කරන්නේ නම්, එය සෑම විටම පාහේ v3.0 ආකෘති ගැටලුව.

පළමු ක්‍රියාකාරී ප්‍රතිපත්තියක් සඳහා සකස් කරන ලද අයවැයක්

කිසිවක් නොමැතිව ආරම්භ කරමින්, සියලුම පේළි හතර එකට. GPU මුළු එකතුව ධාවන 3 සිට 5 දක්වා උපකල්පනය කරයි: පළමුවැන්න පයිප්ලයින් ක්‍රියා කරන බව ඔප්පු කරයි, දෙවැන්න දත්ත ගැටලුවක් හෙළි කරයි, තුන්වැන්න හෝ හතරවැන්න ඔබ තබා ගන්නා එකයි.

මෙම රොබෝ ප්‍රමාණයට රටාව අදාළ වේ: පරිගණකකරණය යනු සුළු දෝෂයකි, දෘඪාංග යනු සැබෑ එක් වරක් දැරිය යුතු පිරිවැයකි, මානව පැය යනු පුනරාවර්තන වියදමකි. යමක් මිලදී ගැනීමට පෙර පුහුණු අර්ධය පරීක්ෂා කිරීමට, දෘඪාංග රහිත ප්‍රවේශ ස්ථාන ඔබට ආයුධයක් නොමැතිව මාදිලි සංසන්දනය කිරීමට සහ GPU එකක් කුලියට ගැනීමට ඉඩ සලසයි, තවද සජීවී ආයුධය යනු ලියාපදිංචියකින් තොරව බ්‍රවුසරය තුළ ධාවනය කළ හැකි භෞතික SO-100 එකකි. සම්පූර්ණ නල මාර්ගය අවසානය දක්වා, සම්පූර්ණ SO-100 මාර්ගෝපදේශය සැකසීම ආවරණය කරයි, දුරස්ථ ක්‍රියාකාරිත්වය සහ පුහුණුව, තවද ඔබේ පළමු ප්‍රතිපත්තිය පුහුණු කරන්න යනු කෙටි අනුවාදයයි.