2026 දී ඔබ පුහුණු කළ යුතු කුමන VLA ප්‍රතිපත්තියක්ද?

අද වන විට SO-100 පන්තියේ රොබෝ අතක් මත ප්‍රතිපත්ති පහක් පුහුණු කළ හැක. ඒවා අනුමාන කිරීමේ ප්‍රමාදය 24 ගුණයකින්, පරාමිති ගණන 37 ගුණයකින් සහ එක් ධාවනයක පිරිවැය 12 ගුණයකින් වෙනස් වන අතර, ඔබට ප්‍රතිඵලය නැව්ගත කළ හැකිද යන්න මතද වෙනස් වේ. ආකෘති කාඩ්පත් පහක් එය විසඳන්නේ නැත: ඔබට ඇති ප්‍රශ්නයට කිසිවක් පිළිතුරු දෙන්නේ නැත, මා මුලින්ම ධාවනය කළ යුත්තේ කුමක්ද?

පහත සෑම අංකයක්ම 2026 අගෝස්තු මාසයේදී පත්‍රිකා, රිපෝ සහ කාඩ්පත් වලින් කියවන ලදී. වේදිකා අංක පැමිණෙන්නේ AY-Robots ප්‍රතිපත්ති නාමාවලිය වෙතින්ය; දෙක එකඟ නොවන තැන, දෙකම පෙන්වා ඇත.

තීරණ වගුව

අපේක්ෂකයින් පස්දෙනා

සියලුම පස්දෙනා ප්‍රතිපත්ති වේ: කැමරා රාමු, සන්ධි පිහිටීම් සහ, ඔවුන්ගෙන් හතර දෙනෙකු සඳහා, අනාගත සන්ධි ඉලක්ක සමූහයකට සිතියම්ගත කරන ලද භාෂා උපදෙස්. ඔවුන් වෙන් කරන්නේ කොපමණ ප්‍රමාණයක් ඔබ පැමිණීමට පෙර ඉගෙන ගෙන තිබේද යන්නයි.

GR00T N1.7

NVIDIA හි වත්මන් දෘශ්‍ය-භාෂා-ක්‍රියාකාරී ආකෘතිය, දළ වශයෙන් පරාමිති බිලියන 3ක් පමණ, සියුම්-සුසර කිරීම අතරතුර මිලියන 40ක් පමණ පුහුණු කර ඇත. N1.6 සිට වෙනස්කම් ගබඩාවේ ලැයිස්තුගත කර ඇත: Eagle ආකෘතියක සිට Qwen3-VL මත Cosmos-Reason2-2B දක්වා වූ මූලික ව්‍යුහය, විසරණ ස්ථර 32 සිට 16 දක්වා, තත්ත්ව සහ ක්‍රියාකාරී මානයන් 29 සිට 132 දක්වා, ක්‍රියාකාරී ක්ෂිතිජය 16 සිට 40 දක්වා.

කුඩා අතක් මත වැදගත් වන්නේ සාපේක්ෂ අවසාන-ක්‍රියාකාරී ක්‍රියාකාරී අවකාශයයි: N1.7 පුරෝකථනය කරන්නේ වත්මන් ඉරියව්වෙන් ඇති වෙනස්කම් වන අතර, එය EgoScale මානව වීඩියෝ පැය 20K රොබෝ ප්‍රතිපත්තියකට මාරු කිරීමට ඉඩ සලසයි. N1.7 පිටුව මත පිරිවිතර, ක්‍රියා පටිපාටිය SO-100 මාර්ගෝපදේශය මත N1.7 හි ඇත.

GR00T N1.5

එකම 3 B පරිමාණය, Eagle 2 backbone, SigLip2 සහ T5, flow-matching DiT head. එය පවතින්නේ ඔබ දැනටමත් ඇති එකක් පුළුල් කිරීමටයි. එය දුර්වල පෙරනිමියක් වීමට හේතු දෙකක් තිබේ: බරෙහි ඇත්තේ NVIDIA හි එක්-මාර්ග වාණිජ නොවන බලපත්‍රය වන අතර, වත්මන් LeRobot නිකුතු N1.5 සහාය ඉවත් කර ඇත. බලන්න .

Pi0.5

Physical Intelligence හි VLA, ප්‍රතිපත්ති වර්ගය pi05. මෙම පත්‍රිකාව PaliGemma වෙතින් ආරම්භ කරන ලද 2 B VLM එකක් සහ 300 M ක්‍රියාකාරී විශේෂඥයෙකු ලබා දෙයි, එය රොබෝවරයා 50 Hz වේගයකින් ධාවනය කරයි; LeRobot හි pi05 config පෙරනිමියෙන් 50-පියවර කැබැල්ලකට, එම වේගයෙන් තත්පරයකට සකසා ඇත. එහි විකුණුම් ලක්ෂ්‍යය වන්නේ නොදුටු ස්ථානයි: සැබෑ නිවෙස්වල ජංගම හැසිරවීම් පැය 400 ක් පමණ, සහ ස්ථාන 3, 12, 22, 53, 82 සහ 104 පුරා පරිමාණ අධ්‍යයනයක්, එහිදී 104-ස්ථාන ආකෘතිය පරීක්ෂණ නිවෙස්වලම පුහුණු කරන ලද පාලනයකට ගැලපේ.

එක් සීමාවක්, සඳහන් කර ඇත lerobot/pi05_base කාඩ්පතේ: වරාය රැගෙන යන්නේ ප්‍රවාහයට ගැලපෙන ක්‍රියා ශීර්ෂය පමණි. උප කාර්ය අනාවැකි, ක්‍රියා ටෝකනීකරණය සහ RL ඉහළට නිකුත් කර නොතිබූ අතර, openpi ද එහිම ගබඩාව ගැනද එයම පවසයි. Pi0.5 පිටුව සහ SO-100 මාර්ගෝපදේශය මත Pi0.5 ඉතිරිය ඇත.

SmolVLA

ක්‍රියා විශේෂඥයා තුළ 100 M පමණ වන, 450 M පරාමිති, SmolVLM-2 මත VLM ශීත කළ විට සහ එහි පළමු භාෂා-ආකෘති ස්ථර 16 පමණක් භාවිතා කරන ලදී. පූර්ව පුහුණුව ප්‍රජා දත්ත විය: 481 දත්ත කට්ටල, 10.6 M රාමු, ඔබ භාවිතා කරන ලාභ අත් වලින්. මෙහි ඇති එකම VLA එක 24 GB කාඩ්පතකට ගැලපෙන අතර, එකම 30 කථාංගය තට්ටුව. බලන්න SmolVLA පිටුව.

ACT

පදනම් ආකෘතියක් නොවේ. ALOHA වෙතින් ලැබෙන Action Chunking Transformer යනු කාර්යයක් සඳහා මුල සිටම පුහුණු කරන ලද, 50 Hz දී නිරූපණ 50ක් මත පදනම් වූ, දළ වශයෙන් 80 M පරාමිති සහිත ආකෘතියකි. මෙම පත්‍රිකාව මගින් එක් එක් නිරූපණයන් විනාඩි දහයක් පමණ වන සත්‍ය ද්වි-අත් කාර්යයන් හයක් වාර්තා කරන අතර, එය ඉස්මතු කරන උදාහරණ මත 80 සිට 90 දක්වා ප්‍රතිශතයක් සාර්ථකත්වය පෙන්වයි. එහි අදහස, ක්‍රියා ඛණ්ඩනය, මෙම පිටුවේ ඇති සෑම ආකෘතියකම පවතී, තවද එහි ඇබ්ලේෂන් මගින් තවමත් හොඳම බලපෑම මනිනු ලැබේ: තාවකාලික එන්සෙම්බල් කිරීම අක්‍රිය කර ඇති අනුකරණය කරන ලද කාර්යයන් දෙකක් හරහා, k=1 හිදී 1 ප්‍රතිශතයේ සිට k=100 හිදී 44 ප්‍රතිශතය දක්වා සාර්ථකත්වය ඉහළ යයි. ACT පිටුව ඉතිරිය ඇත.

බෙන්ච්මාර්ක් ඇත්ත වශයෙන්ම පවසන්නේ කුමක්ද

මෙම පහෙන් තුනක් වාර්තා කරන එකම බෙන්ච්මාර්කය LIBERO වේ: අනුකරණය කරන ලද Franka Panda මත භාෂා-නියමිත කාර්යයන්, පහත දැක්වෙන සූට් හතරකට බෙදා ඇති අතර එක් එක් සූට් එකේ කාර්යයන් දහය බැගින් ඇත. NVIDIA එක් එක් සූට් එක සඳහා අත්හදා බැලීම් 200ක් සිදු කළේය.

SimplerEnv ව්‍යාප්තිය පෙන්වයි, එය LIBERO නොපෙන්වයි. NVIDIA N1.7 N1.6 සමඟ සංසන්දනය කරයි, එයට ආසන්නතම පොදු දෙය පරම්පරාගත වෙනසකි.

බ්‍රිජ් පේළිය ප්‍රයෝජනවත් එකකි: සාමාන්‍යයෙන් ලකුණු 5.7ක් ලබාගෙන ඇත put_eggplant_in_basket 36ක් අහිමි වූ අතර put_eggplant_in_sink 33 සිට 2 දක්වා පහත වැටුණි. නව පරම්පරාවක් එය ඉහළ නැංවීමට වඩා ව්‍යාප්තිය චලනය කරයි, එබැවින් ඔබේ කාර්යය N1.7 පසුබෑමට ලක් වූ තැන පිහිටා තිබේ නම්, සාමාන්‍යය කිසිවක් නොකියයි.

පහෙන්, SmolVLA පත්‍රිකාව පමණක් SO-100 පන්තියේ අතක් පිළිබඳව වාර්තා කරයි: කාර්යයන් තුනක් හරහා SmolVLA සඳහා සියයට 78.3ක් සහ Pi0 සඳහා 61.7ක්, දෙකම බහු-කාර්ය, ACT පුහුණු තනි-කාර්යය සඳහා 48.3ට එරෙහිව, එය සමාන නොවේ. පිරිසිදු යුගලනය SO-101 තෝරාගැනීම සහ තැබීම මත තනි-කාර්යය වේ: ව්‍යාප්තියේ 70ට එරෙහිව 90, එයින් පිටත 40ට එරෙහිව 50. සසඳන්න ACT SmolVLAට එරෙහිව සහ Pi0.5 SmolVLAට එරෙහිව, නැතහොත් පිරික්සන්න ක්‍රීඩාංගණය.

ප්‍රමාදය සහ පිරිවැය යෙදවීම තීරණය කරයි

අනුමාන ප්‍රමාදය යනු මිනිසුන් අවසානයට සොයා ගන්නා සහ මුලින්ම පසුතැවෙන සීමාවයි. මිණුම් සලකුණක ලකුණු පහකින් වඩා හොඳ නමුත් එක් ක්‍රියාකාරී පියවරකට තත්පර භාගයක් ගතවන ප්‍රතිපත්තියක් ඔබේ මේසය මත නරක ලෙස පෙනේ: ස්පර්ශ ගතිකත්වය බලා නොසිටියි.

එක් අවවාදයක්: GR00T අගය NVIDIA හි කාඩ්පත සමඟ නොගැලපේ, එය H100 මත eager mode හි 85.8 ms දී 4 denoising steps සහ එක් කැමරාවක්, torch.compile සමඟ 48.6 ms, සම්පූර්ණ TensorRT හරහා 27.9 ms ලෙස වේලාව සටහන් කරයි. මෙහි ඇති 152 ms යනු සේවා සැපයීමේ අමතර වියදම් සහ එක් කැමරාවකට වඩා වැඩි ගණනක් සහිත සම්පූර්ණ-ස්ටැක් අගයකි, එය forward pass එකක් නොවේ.

ආකෘතිය වෙනස් නොකර කාලය ලබා ගැනීමට එක් ක්‍රමයක්: SmolVLA පත්‍රිකාව සමමුහුර්ත ක්‍රියාත්මක කිරීම මනිනු ලබයි, එහිදී ප්‍රතිපත්තිය ඊළඟ එක පුරෝකථනය කිරීමට පෙර කොටසක් අවසන් කරයි, අසමමුහුර්ත ක්‍රියාත්මක කිරීමට එරෙහිව, එහිදී පුරෝකථනය ක්‍රියාත්මක කිරීම සමඟ අතිච්ඡාදනය වේ. සාර්ථකත්වය සමාන වේ, 78.3 එදිරිව 73.3, නමුත් එම pick-and-place සඳහා 13.75 වෙනුවට තත්පර 9.7 ක් ගතවේ, සහ ස්ථාවර කවුළුවක රොබෝවරයා 9 වෙනුවට චක්‍ර 19 ක් කළමනාකරණය කරයි.

බලපත්‍ර, කිසිවෙකු ඒවා පරීක්ෂා නොකරන නිසා පරීක්ෂා කරන ලදී

Pi0.5 පේළියට අවධානය යොමු කළ යුතුය. LeRobot pi05 ලේඛනගත කිරීම openpi සමඟ අනුකූලව Apache 2.0 බව සඳහන් කරයි, Hub කාඩ්පත සඳහා lerobot/pi05_base දරයි license: gemma. දෙකම සක්‍රීයයි. GR00T N1.7 සතුව මෘදු අනුවාදයක් ඇත: Isaac-GR00T README හි N1.7 Apache 2.0 යටතේ සම්පූර්ණයෙන්ම වාණිජමය වශයෙන් බලපත්‍රගත කළ හැකි බව සඳහන් වේ, එහිම බලපත්‍ර කොටස සහ model card මඟින් කේතය පමණක් Apache 2.0 යටතේ ද weights NVIDIA Open Model License යටතේ ද තබා ඇත.

ඔබ සැබවින්ම ක්‍රියාත්මක කරන පෙරනිමි

සෑම පුහුණුකරුවෙකුගේම ආකෘතියක් පෙරනිමියක් සමඟ එන අතර ඒවා අත්තනෝමතික නොවේ. ACT හි ඒවා LeRobot ගේම වේ: batch 8, lr 1e-5, 100000 පුහුණු පියවර, chunk size 100, ACTConfig upstream සමඟ ගැලපෙන අතර k=100 ACT පත්‍රිකාවෙන්. පහත එක් තීරුවක් උගුලකි.

මොඩලයක් තෝරා ගැනීමට වඩා වැදගත් වන පාලකය

මෙය ක්‍රියාකාරී කොටසයි. දිගු කොටස් සුමට චලනයක් සහ අඩු සංයෝග දෝෂ ලබා දෙයි, නමුත් කොටස ක්‍රියාත්මක වන විට ප්‍රතිපත්තිය කැපවී ඇති බැවින්, චලනය වන ඕනෑම දෙයකට එය ප්‍රමාද වී ප්‍රතිචාර දක්වයි: ස්ථිතික ඝනකයක් මත විශ්වාසයෙන් යුක්ත වන අතර, පෙරළෙන එකක් මත බලාපොරොත්තු රහිතය. එය ඉලක්කය ඉක්මවා ගියහොත්, ක්‍රියාත්මක කළ කොටස කෙටි කිරීම නැවත පුහුණු කිරීමට වඩා හොඳ වන අතර එය නොමිලේ. කෙටියෙන් නතර වන සන්ධියක් වෙනස් ගැටලුවකි; බලන්න .

• ACT: ACTConfig පෙරනිමියෙන් chunk_size 100 සහ n_action_steps 100 වේ. තාවකාලික සමූහකරණය අක්‍රිය කර ඇති අතර n_action_steps 1 අවශ්‍ය වේ.
• GR00T N1.7: අභ්‍යන්තර ක්ෂිතිජය 16 සිට 40 දක්වා වැඩි විය, නමුත් LeRobot's SO-101 example තවමත් --policy.chunk_size=16 --policy.n_action_steps=16 ධාවනය කරයි. The rollout flag was renamed to --execution-horizon.
• Pi0.5: පියවර 50 ක කොටසක්, එයින් LeRobot's LIBERO recipe 10 ක් --policy.n_action_steps=10 හරහා ක්‍රියාත්මක කරයි; ඔබ flag එක අතහැර දැමුවහොත් --policy.pretrained_path සමඟ එය 50 දක්වා ආපසු හැරේ.
• SmolVLA: ක්‍රියා 50 ක කොටස්, පාලක දෙකම නිරාවරණය කර ඇත.

එක දහවල් කාලයකදී පහම පරීක්ෂා කරන්නේ කෙසේද

ලාභම පිළිතුර වැඩිපුර කියවීම නොවේ. 15 USD පමණ වැය කර අතට ඔබට කියන්නට ඉඩ දෙන්න: එක් වරක් පටිගත කරන්න, පළමුව ලාභ ආකෘතිය පුහුණු කරන්න, දත්ත නිවැරදි බව ඔප්පු වූ පසු එය වැඩි කරන්න. ව්‍යුහය පරිමාවට වඩා හොඳයි, එය සහ හි අරමුණයි.

1. 1
   කථාංග 50ක් එක් වරක් වාර්තා කරන්න

   GR00T, Pi0.5 සහ ACT සඳහා පදනම 50ක් ද, SmolVLA සඳහා 30ක් ද සකස් කරයි. විවිධත්වය තුනී නොකර එක් එක් වෙනස්කම් නැවත කරන්න: පුහුණු කරන ලද ඝනක ස්ථාන 5ක් හරහා කථාංග 50ක්, ඉන් 25ක් පුහුණු නොකළේය. ඔබේ පළමු දත්ත කට්ටලය වාර්තා කරන්න බලන්න.

   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 මුලින්ම පුහුණු කරන්න, මන්ද එය ඔබට බොරු කිව නොහැක

   පෙර පුහුණු කළ බර නොමැත, එබැවින් එය කාර්යය කරන්නේ නම්, ඔබේ දත්ත කට්ටලයේ කාර්යය අඩංගු වේ. ACT අක්‍රිය වුවහොත්, දත්ත නිවැරදි කරන්න. 24 GB කාඩ්පතක 1 සිට 3 USD, පැය 2 සිට 5 දක්වා.

   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
   එකම දත්ත කට්ටලය මත SmolVLA වෙනස් නොකර ධාවනය කරන්න

   එකම දත්ත, එකම අත, 80 M වෙනුවට 450 M පරාමිති, සහ භාෂා තත්ත්වකරණය. LeRobot A100 එකක 20K පියවර ධාවනයක් දළ වශයෙන් පැය 4ක් ලෙස සලකයි. පෙර පුහුණුවෙන් යමක් ලැබේදැයි මෙය ඔබට කියයි.

   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 ස්පර්ශ කිරීමට පෙර v2.1 දක්වා පරිවර්තනය කරන්න

   GR00T LeRobot v2 ආකෘතියේ රසයක් කියවයි, ඊට අමතරව meta/modality.json එකතු කරන ලද තත්ත්ව සහ ක්‍රියා අරා නම් කරන ලද ක්ෂේත්‍රවලට බෙදෙන ආකාරය සිතියම්ගත කරයි. v3.0 දත්ත කට්ටලයක් එම ලෝඩරය බිඳ දමයි, මන්ද v3.0 බොහෝ කථාංග පොදු ගොනු වලට ඇසුරුම් කරන අතර v2 එක් කථාංගයකට එකක් ලිවීය. Isaac-GR00T scripts/lerobot_conversion/convert_v3_to_v2.py ලෙස පහත හෙලීමේ සහායකය නැව්ගත කරයි; v3 ප්‍රතික්ෂේප කිරීමේ පිටුව වේගවත් මාර්ගයයි.

   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
   පළමු දෙකෙන් යමක් ඉතිරි වී ඇත්නම් පමණක් GR00T N1.7 වෙත යොමු වන්න

   මෙහි පෙන්වා ඇති NVIDIA හි CLI හරහා, හෝ LeRobot හි groot ප්‍රතිපත්ති වර්ගය හරහා. NVIDIA සියුම් සුසර කිරීම සඳහා 40 GB හෝ ඊට වැඩි VRAM, අනුමානය සඳහා 16 GB නිර්දේශ කරයි. OOM එකකදී, OOM පිටුව බලන්න.

   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

එම පරීක්ෂණ ධාවනය කිරීමට ක්‍රම දෙකක්

# 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

මූලික ආකෘතිය හෝ මුල සිට

තෝරාගත යුතු 3 B මාදිලිය කුමක්ද යන්න සැබෑ ගැටලුව නොවේ. එය පුහුණු කරන ලද VLA එකක් කිසිසේත් භාවිතා කළ යුතුද යන්නයි, ලබා දී ඇති පරිදි ACT විසින් සැබෑ ද්වි-අත් කාර්යයන් හයක්, එක් එක් මිනිත්තු දහයක පමණ නිරූපණ වලින්, 80 M පරාමිති සමඟින් ඉගෙන ගත් බවත් කිසිවක් පෙර පුහුණු කර නොතිබූ බවත්ය.

පැරණි ධාවනයක් ප්‍රතිනිෂ්පාදනය කිරීමේ අවස්ථාව

2025 චෙක්පොයින්ට් එකක් පසුපස හඹා යාමෙන් ඔබට ආකෘති තේරීම සිදු වන අතර ගැටලුව අනුවාද ඇණ ගැසීමක් බවට පත් කරයි: වත්මන් LeRobot N1.5 ප්‍රතික්ෂේප කරයි, එබැවින් ඔබ lerobot==0.5.1. බීජ ක්ෂේත්‍රයක් නොමැතිව සහ ධාවනයන් අතර 5 සිට 6 ප්‍රතිශත විචලනයක් සමඟ , ප්‍රතිනිෂ්පාදනය ඉදිකිරීම අනුව ආසන්න වේ. SO-100 මාර්ගෝපදේශය මත N1.5 සහ N1.5 ප්‍රතිපත්ති පිටුව වේදිකා පැත්ත ඇත.

දෙකක් දක්වා? ACT එදිරිව GR00T N1.7 සහ GR00T N1.7 එදිරිව SmolVLA. අමු පේළි අරීනා ඇතුළත් කිරීම් වල ඇත: GR00T N1.7, Pi0.5, SmolVLA සහ ACT.

මෙම වේදිකාව ඔබට උදව් නොකරන තැන්

• එය දුරස්ථ අනුමාන කිරීම් වේගවත් කළ නොහැක. 20 සිට 485 ms දක්වා වූ ලූපය ආකෘතියට අයත් වේ; අන්තර්ජාල වට සංචාර එයට එකතු වේ.
• එය ඔබේම දෘඪාංග මත GR00T හෝ Pi0.5 සියුම්ව සුසර කළ නොහැක. මෙහිදී දෙකම වලාකුළු-පමණි; SmolVLA සහ ACT පමණක් දේශීයව ක්‍රියාත්මක වේ.
• එය දත්ත කට්ටලයක් නිවැරදි කළ නොහැක. පාඩුව අඩු වුවත් ප්‍රතිපත්තිය කිසිවක් නොකරයි යනු දත්ත ගැටලුවකි, එක් සැකසුමක පමණක් ක්‍රියා කරන ප්‍රතිපත්තියක් යනු ආවරණ ගැටලුවකි.
• එය GR00T ධාවන නැවත නිපදවිය නොහැක: ඉහළ ධාරාවේ වින්‍යාසයට seed ක්ෂේත්‍රයක් නොමැත.

එකක් තෝරාගෙන ඉදිරියට යාම

එක් පෙරනිමියක්: කථාංග 50ක් පටිගත කරන්න, දත්ත කට්ටලය ඔප්පු කිරීමට ACT ඩොලර් 1 සිට 3 දක්වා පුහුණු කරන්න, ඉන්පසු SmolVLA එකම දත්ත මත. එකට ඩොලර් 6කට අඩුවෙන්, ඔවුන් වැදගත් ප්‍රශ්නයට පිළිතුරු සපයයි: මෙහි පූර්ව පුහුණුව උපකාරී වේද, නැතහොත් බාධාව දත්තද යන්න. ස්පර්ශ බහුල බහු-පියවර කාර්යයන් සඳහා GR00T N1.7 වෙත, දර්ශනය වෙනස් වන විට Pi0.5 වෙත දර්ශනය වෙනස් වේ.

වේදිකා මාර්ගෝපදේශය: ඔබේ පළමු ප්‍රතිපත්තිය පුහුණු කරන්න, ඉන්පසු ඔබේ පළමු ප්‍රතිපත්තිය ක්‍රියාත්මක කරන්න. එම පුහුණු ලේඛන සහ දත්ත කට්ටල ලේඛන ආකෘතිය සහ සැකැස්ම ආවරණය කරයි; SO-100 පිටුව සහ සම්පූර්ණ SO-100 මාර්ගෝපදේශය ගොඩනැගීම සහ ක්‍රමාංකනය ආවරණය කරයි. පසුබිම: VLA දළ විශ්ලේෂණය සහ Pi0 ප්‍රවාහ-ගැලපෙන ලිපිය. ඔබේ සාර්ථකත්ව අනුපාතය ඉහළ නංවන එක වන්නේ දත්ත තත්ත්ව මාර්ගෝපදේශය.