Ktorú VLA politiku by ste mali trénovať v roku 2026?

Päť politík je dnes trénovateľných na ramene triedy SO-100. Líšia sa faktorom 24 v inferenčnej latencii, 37 v počte parametrov a 12 v nákladoch na spustenie, a v tom, či môžete výsledok distribuovať. Päť modelových kariet to nevyrieši: žiadna neodpovedá na otázku, ktorú máte, ktorú mám spustiť ako prvú?

Každé číslo nižšie bolo prečítané z článkov, repozitárov a kariet v auguste 2026. Čísla platformy pochádzajú z katalógu politík AY-Robots; kde sa tieto dve líšia, sú zobrazené obe.

Rozhodovacia tabuľka

Päť kandidátov

Všetkých päť sú politiky: snímky kamery, polohy kĺbov a, pre štyri z nich, jazyková inštrukcia, mapovaná na časť budúcich cieľov kĺbov. To, čo ich odlišuje, je, koľko bolo naučené predtým, ako ste prišli.

GR00T N1.7

Aktuálny vizuálno-jazykovo-akčný model spoločnosti NVIDIA, približne 3 miliardy parametrov, zhruba 40 miliónov trénovaných počas jemného doladenia. Repozitár uvádza rozdiely oproti N1.6: chrbtová kosť z modelu Eagle od dodávateľa na Cosmos-Reason2-2B na Qwen3-VL, difúzne vrstvy 32 na 16, rozmery stavu a akcie 29 na 132, akčný horizont 16 na 40.

Na malom ramene záleží na relatívnom akčnom priestore koncového efektora: N1.7 predpovedá delty z aktuálnej pozície, čo umožňuje prenos 20 tisíc hodín ľudského videa EgoScale do robotickej politiky. Špecifikácia na stránke N1.7, postup v príručke N1.7 na SO-100.

GR00T N1.5

Rovnaká škála 3 B, chrbtová kosť Eagle 2, SigLip2 a T5, hlava DiT s prispôsobením toku. Existuje na rozšírenie ktorý už máte. Dve veci z neho robia zlú predvolenú voľbu: váhy nesú jednosmernú nekomerčnú licenciu spoločnosti NVIDIA a aktuálne vydania LeRobot odstránili podporu N1.5. Pozrite si .

Pi0.5

VLA spoločnosti Physical Intelligence s , typ politiky pi05. Práca uvádza 2 B VLM inicializovaný z PaliGemma plus 300 M akčný expert, ktorý riadi robota pri 50 Hz; konfigurácia pi05 LeRobotu predvolene používa 50-krokový blok, jednu sekundu pri tejto rýchlosti. Predajným argumentom sú nepoznané miesta: približne 400 hodín mobilnej manipulácie v reálnych domácnostiach a štúdia škálovania pre 3, 12, 22, 53, 82 a 104 miest, kde model so 104 miestami zodpovedal kontrole trénovanej na samotných testovacích domácnostiach.

Jedno obmedzenie, uvedené na lerobot/pi05_base karte: port prenáša iba flow-matching akčnú hlavu. Predikcia podúloh, tokenizácia akcií a RL neboli vydané upstream, a openpi hovorí to isté o svojom vlastnom repozitári. Stránka Pi0.5 a sprievodca Pi0.5 na SO-100 majú zvyšok.

SmolVLA

450 M parametrov, asi 100 M v akčnom expertovi, na SmolVLM-2 s VLM zmrazeným a použitých iba jeho prvých 16 vrstiev jazykového modelu. Predtréning boli komunitné dáta: 481 datasetov, 10.6 M snímok, z rovnakých lacných ramien, ktoré používate. Jediný VLA tu, ktorý sa zmestí na jednu 24 GB kartu, a jediný 30 epizóda podlažie. Pozri stránku SmolVLA.

ACT

Nie je to základný model. Action Chunking Transformer z ALOHA má približne 80 M parametrov trénovaných od začiatku pre každú úlohu, na 50 demonštráciách pri 50 Hz. Práca uvádza šesť skutočných obojručných úloh z približne desiatich minút demonštrácií pre každú, s úspešnosťou 80 až 90 percent na príkladoch, ktoré zdôrazňuje. Jeho myšlienka, rozdelenie akcií na časti, je v každom modeli na tejto stránke a jeho ablácia stále meria účinok najlepšie: pri dvoch simulovaných úlohách s vypnutým časovým ensemblovaním sa úspešnosť zvyšuje z 1 percenta pri k=1 na 44 percent pri k=100. Stránka ACT obsahuje zvyšok.

Čo skutočne hovoria benchmarky

LIBERO je jeden benchmark, o ktorom informujú tri z týchto piatich: jazykovo podmienené úlohy na simulovanom Franka Panda, rozdelené do štyroch sád nižšie, po desiatich úlohách v každej. NVIDIA spustila 200 pokusov na sadu.

SimplerEnv ukazuje rozptyl, čo LIBERO nerobí. NVIDIA porovnáva N1.7 s N1.6, čo je najbližšia verejná vec k „generačnej delte“.

Riadok Bridge je ten užitočný: v priemere sa získalo 5.7 bodov, zatiaľ čo put_eggplant_in_basket stratilo 36 a put_eggplant_in_sink kleslo z 33 na 2. Nová generácia posúva distribúciu namiesto toho, aby ju zdvíhala, takže ak vaša úloha spadá tam, kde N1.7 regresovalo, priemer nič nehovorí.

Z piatich, iba článok SmolVLA uvádza výsledky pre rameno triedy SO-100: 78.3 percent pre SmolVLA a 61.7 pre Pi0 naprieč tromi úlohami, obe viacúlohové, oproti 48.3 pre ACT trénované na jednu úlohu, čo nie je porovnateľné. Čisté porovnanie je pre obe modely na jednu úlohu na SO-101 pick-and-place: 90 proti 70 v distribúcii, 50 proti 40 mimo nej. Porovnajte na ACT proti SmolVLA a Pi0.5 proti SmolVLA, alebo si prezrite arénu.

Latencia a náklady rozhodujú o nasadení

Latencia inferencie je obmedzenie, ktoré ľudia objavia ako posledné a ľutujú ako prvé. Politika o päť bodov lepšia na benchmarku, ale s pol sekundou na krok akcie, vyzerá na vašom stole horšie: kontaktná dynamika nečaká.

Jedna výhrada: údaj GR00T nesúhlasí s kartou NVIDIA, ktorá meria 4 kroky odšumenia a jednu kameru pri 85.8 ms na H100 v eager móde, 48.6 ms s torch.compile, 27.9 ms cez plný TensorRT. Tu uvedených 152 ms je údaj pre celý stack s réžiou obsluhy a viac ako jednou kamerou, nie len pre forward pass.

Jeden spôsob, ako získať čas bez zmeny modelu: článok SmolVLA meria synchrónne vykonávanie, kde politika dokončí jeden blok pred predpovedaním ďalšieho, oproti asynchrónnemu, kde sa predikcia prekrýva s vykonávaním. Úspešnosť je podobná, 78.3 oproti 73.3, ale rovnaká úloha pick-and-place trvá 9.7 sekúnd namiesto 13.75, a v pevnom okne robot zvládne 19 cyklov namiesto 9.

Licencie, skontrolované, pretože ich nikto nekontroluje

Riadok Pi0.5 si vyžaduje pozornosť. Dokumentácia LeRobot pi05 uvádza Apache 2.0 v súlade s openpi, zatiaľ čo karta Hub pre lerobot/pi05_base obsahuje license: gemma. Obe sú aktívne. GR00T N1.7 má miernejšiu verziu: README Isaac-GR00T mimochodom uvádza, že N1.7 je plne komerčne licencovateľný pod Apache 2.0, zatiaľ čo jeho vlastná sekcia licencie a karta modelu umiestňujú kód iba pod Apache 2.0 a závažia pod NVIDIA Open Model License.

Predvolené hodnoty, ktoré skutočne spustíte

Každá forma trénera dodáva predvolené nastavenie a tie nie sú ľubovoľné. ACT sú vlastné LeRobotu: dávka 8, lr 1e-5, 100000 tréningové kroky, veľkosť bloku 100, zodpovedajúce ACTConfig upstream a k=100 z ACT článku. Jeden stĺpec nižšie je pasca.

Nastavenie, ktoré je dôležitejšie ako výber modelu

Je to akčný blok. Dlhšie bloky poskytujú plynulejší pohyb a menej kumulatívnych chýb, ale politika je záväzná počas vykonávania bloku, takže reaguje neskoro na čokoľvek, čo sa pohybuje: sebavedomá na statickej kocke, beznádejná na kotúľajúcej sa. Ak prejde príliš ďaleko, skrátenie vykonanej časti je lepšie ako preškolenie a je zadarmo. Kĺb, ktorý sa zastaví príliš skoro, je iný problém; pozri .

• ACT: ACTConfig predvolene používa chunk_size 100 a n_action_steps 100. Časové zoskupovanie je vypnuté a vyžaduje n_action_steps 1.
• GR00T N1.7: interný horizont sa zmenil z 16 na 40, no príklad SO-101 od LeRobot stále spúšťa --policy.chunk_size=16 --policy.n_action_steps=16. Príznak rollout bol premenovaný na --execution-horizon.
• Pi0.5: 50-krokový blok, z ktorého recept LIBERO od LeRobot vykonáva 10 prostredníctvom --policy.n_action_steps=10; s --policy.pretrained_path sa vráti na 50, ak príznak vynecháte.
• SmolVLA: 50-akčné bloky, oba ovládače sú prístupné.

Ako preveriť všetkých päť za jedno popoludnie

Najlacnejšou odpoveďou nie je viac čítania. Minúť asi 15 USD a nechať rameno, aby vám to povedalo: zaznamenajte raz, najprv trénujte lacný model, eskalujte, keď sa preukáže, že dáta sú spoľahlivé. Štruktúra prekonáva objem, čo je zmyslom a .

1. 1
   Zaznamenajte 50 epizód naraz

   Päťdesiat uvoľňuje priestor pre GR00T, Pi0.5 a ACT, a SmolVLA 30. Opakujte každú variáciu namiesto rozširovania: 50 epizód naprieč 5 pozíciami kocky trénovaných tam, kde 25 nebolo. Pozrite si zaznamenajte si svoj prvý dataset.

   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
   Najprv trénujte ACT, pretože vám nemôže klamať

   Žiadne predtrénované váhy, takže ak úlohu vôbec vykoná, váš dataset obsahuje úlohu. Ak ACT stagnuje, opravte dáta. 1 až 3 USD, 2 až 5 hodín na 24 GB karte.

   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
   Spustite SmolVLA na rovnakom datasete, nezmenenom

   Rovnaké dáta, rovnaké rameno, 450 M parametrov namiesto 80 M, plus jazykové podmienky. LeRobot odhaduje 20K krokov behu na približne 4 hodiny na jednom A100. Toto vám povie, či predtrénovanie niečo prináša.

   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
   Preveďte na v2.1 predtým, ako sa dotknete GR00T

   GR00T číta variant formátu LeRobot v2 plus dodatočný meta/modality.json, ktorý mapuje, ako sa spojené polia stavu a akcie rozdelia na pomenované polia. Dataset v3.0 spôsobí pád tohto načítavača, pretože v3.0 balí mnoho epizód do zdieľaných súborov, zatiaľ čo v2 zapisoval jednu na epizódu. Isaac-GR00T dodáva pomocníka na downgrade ako scripts/lerobot_conversion/convert_v3_to_v2.py; stránka o odmietnutí v3 je rýchla cesta.

   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
   Prejdite na GR00T N1.7 len vtedy, ak prvé dva niečo zanechali

   Cez CLI spoločnosti NVIDIA, zobrazené tu, alebo typ politiky groot LeRobotu. NVIDIA odporúča 40 GB alebo viac VRAM pre jemné doladenie, 16 GB pre inferenciu. Pri OOM pozrite stránku OOM.

   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

Dva spôsoby, ako spustiť tento skríningový prechod

# 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

Základný model alebo od nuly

Skutočná dilema nie je, ktorý 3 B model si vybrať. Ide o to, či vôbec použiť predtrénovaný VLA, vzhľadom na to, že ACT sa naučil šesť skutočných bimanálnych úloh z približne desiatich minút demonštrácií pre každú, s 80 M parametrami a ničím predtrénovaným.

Prípad reprodukcie starého spustenia

Naháňanie checkpointu z roku 2025 robí výber modelu za vás a mení problém na pripnutie verzie: aktuálny LeRobot odmieta N1.5, takže pripnete lerobot==0.5.1. Bez poľa pre seed a s 5 až 6 percentnou varianciou medzi spusteniami je reprodukcia konštrukčne približná. a majú stranu platformy.

Zostali dva? ACT proti GR00T N1.7 a GR00T N1.7 proti SmolVLA. Nespracované riadky sú v záznamoch arény: GR00T N1.7, Pi0.5, SmolVLA a ACT.

Kde vám táto platforma nepomôže

Výber jedného a pokračovanie

Jeden predvolený postup: zaznamenajte 50 epizód, trénujte ACT za 1 až 3 USD na overenie dátovej sady, potom SmolVLA na rovnakých dátach. Spolu pod 6 USD a odpovedia na dôležitú otázku: či tu pomáha predtrenovanie, alebo či je úzkym hrdlom dátová sada. Eskalujte na GR00T N1.7 pre viacstupňové úlohy s bohatým kontaktom, na Pi0.5, keď sa scéna zmení.

Prehliadka platformy: natrénujte svoju prvú politiku, potom spustite svoju prvú politiku. Dokumentácia k trénovaniu a dokumentácia k dátovým sadám pokrývajú formu a formát; stránka SO-100 a kompletný sprievodca SO-100 pokrývajú zostavenie a kalibráciu. Pozadie: prehľad VLA a článok o Pi0 flow-matching. Ten, ktorý posunie vašu úspešnosť, je sprievodca kvalitou dát.