Katero VLA politiko naj trenirate leta 2026?

Danes je mogoče usposobiti pet politik na roki razreda SO-100. Razlikujejo se za faktor 24 v inferenčni latenci, 37 v številu parametrov in 12 v stroških izvajanja ter v tem, ali smete rezultat poslati. Pet kartic modelov tega ne bo rešilo: nobena ne odgovarja na vprašanje, ki ga imate, katero naj najprej zaženem?

Vsaka spodnja številka je bila prebrana iz člankov, repozitorijev in kartic avgusta 2026. Številke platform prihajajo iz kataloga politik AY-Robots; kjer se obe ne ujemata, sta prikazani obe.

Tabela odločitev

Pet kandidatov

Vseh pet je politik: sličice kamere, položaji sklepov in, za štiri od njih, jezikovno navodilo, preslikano v del prihodnjih ciljev sklepov. Kar jih ločuje, je, koliko je bilo naučenega, preden ste prišli.

GR00T N1.7

NVIDIA-in trenutni model vida, jezika in dejanj, približno 3 B parametrov, približno 40 M usposobljenih med fino nastavitvijo. Repozitorij navaja razlike od N1.6: hrbtenica iz modela Eagle dobavitelja v Cosmos-Reason2-2B na Qwen3-VL, difuzijske plasti 32 na 16, dimenzije stanja in dejanj 29 na 132, akcijski horizont 16 na 40.

Pri majhni roki je pomemben relativni akcijski prostor končnega efektorja: N1.7 napoveduje delte iz trenutne poze, kar omogoča prenos 20K ur človeškega videa EgoScale v robotsko politiko. Specifikacije na strani N1.7, postopek v vodniku N1.7 na SO-100.

GR00T N1.5

Ista lestvica 3 B, hrbtenica Eagle 2, SigLip2 in T5, glava DiT za ujemanje toka. Obstaja za razširitev ki jo že imate. Dve stvari ga delata slabo privzeto izbiro: uteži nosijo NVIDIA-ino enosmerno nekomercialno licenco, in trenutne izdaje LeRobot so odstranile podporo za N1.5. Glejte .

Pi0.5

VLA podjetja Physical Intelligence, ki uporablja VLA, tip politike pi05. Članek opisuje 2 B VLM, inicializiran iz PaliGemma, plus 300 M akcijskega strokovnjaka, ki poganja robota pri 50 Hz; konfiguracija pi05 v LeRobot privzeto uporablja 50-korakovni del, eno sekundo pri tej hitrosti. Prodajna točka so nevidna mesta: približno 400 ur mobilne manipulacije v resničnih domovih in študija skaliranja na 3, 12, 22, 53, 82 in 104 lokacijah, kjer se je model s 104 lokacijami ujemal s kontrolo, usposobljeno na samih testnih domovih.

Ena omejitev, navedena na lerobot/pi05_base kartici: vrata prenašajo samo glavo za ujemanje toka akcijske glave. Predvidevanje podnalog, tokenizacija akcij in RL niso bili objavljeni navzgor, in openpi pravi enako za svoje lastno repozitorij. Stran Pi0.5 in vodnik Pi0.5 na SO-100 imata ostalo.

SmolVLA

450 M parametrov, približno 100 M v akcijskem strokovnjaku, na SmolVLM-2 z zamrznjenim VLM in uporabljenih le njegovih prvih 16 plasti jezikovnega modela. Predusposabljanje je potekalo na podatkih skupnosti: 481 naborov podatkov, 10.6 M sličic, iz istih poceni rok, ki jih uporabljate. Edini VLA tukaj, ki se prilega eni 24 GB kartici, in edini 30 epizoda dno. Glej stran SmolVLA.

ACT

Ni temeljni model. Action Chunking Transformer iz ALOHA ima približno 80 milijonov parametrov, usposobljenih od začetka za vsako nalogo, na 50 demonstracijah pri 50 Hz. Članek poroča o šestih resničnih bimanualnih nalogah, vsaka iz približno desetih minut demonstracij, z uspešnostjo od 80 do 90 odstotkov na primerih, ki jih izpostavlja. Njegova ideja, razdelitev dejanj na dele, je prisotna v vsakem modelu na tej strani, in njegova ablacija še vedno meri učinek najbolje: pri dveh simuliranih nalogah z izklopljenim časovnim združevanjem, uspešnost naraste z 1 odstotka pri k=1 na 44 odstotkov pri k=100. Stran ACT ima preostalo.

Kaj dejansko pravijo merila uspešnosti

LIBERO je edino merilo uspešnosti, o katerem poročajo trije od teh petih: naloge, pogojene z jezikom, na simulirani Franka Panda, razdeljene v štiri spodnje zbirke po deset nalog. NVIDIA je izvedla 200 poskusov na zbirko.

SimplerEnv prikazuje razpon, česar LIBERO ne. NVIDIA primerja N1.7 z N1.6, kar je najbližje javni "generacijski delti."

Vrstica Bridge je uporabna: povprečno pridobljenih 5,7 točk, medtem ko put_eggplant_in_basket izgubil 36 in put_eggplant_in_sink padel s 33 na 2. Nova generacija premika distribucijo, namesto da bi jo dvignila, zato če vaša naloga spada tja, kjer je N1.7 nazadoval, povprečje ne pove ničesar.

Od petih, le članek SmolVLA poroča o roki razreda SO-100: 78,3 odstotka za SmolVLA in 61,7 za Pi0 pri treh nalogah, obe večopravilni, proti 48,3 za ACT, usposobljenega za eno nalogo, kar ni primerljivo. Čista primerjava je oboje eno-naložno na SO-101 pick-and-place: 90 proti 70 v distribuciji, 50 proti 40 izven nje. Primerjajte na ACT proti SmolVLA in Pi0.5 proti SmolVLA, ali brskajte po areni.

Latenca in stroški odločajo o uvedbi

Latenca sklepanja je omejitev, ki jo ljudje odkrijejo zadnjo in najprej obžalujejo. Politika, ki je na merilu uspešnosti pet točk boljša, a potrebuje pol sekunde na korak dejanja, izgleda slabše na vaši mizi: kontaktna dinamika ne čaka.

Ena opomba: številka GR00T se ne ujema s kartico NVIDIA, ki meri 4 korake odstranjevanja šuma in eno kamero pri 85.8 ms na H100 v nestrpnem načinu, 48.6 ms s torch.compile, 27.9 ms skozi celoten TensorRT. Tukajšnjih 152 ms je celotna številka sklada z režijskimi stroški strežbe in več kot eno kamero, ne pa samo prehod naprej.

En način za pridobitev časa brez spreminjanja modela: članek SmolVLA meri sinhrono izvajanje, kjer politika dokonča del pred napovedovanjem naslednjega, v primerjavi z asinhronim, kjer se napovedovanje prekriva z izvajanjem. Uspeh je podoben, 78.3 proti 73.3, vendar isto pobiranje in odlaganje traja 9.7 sekund namesto 13.75, in v fiksnem oknu robot opravi 19 ciklov namesto 9.

Licence, preverjene, ker jih nihče ne preverja

Vrstica Pi0.5 zahteva pozornost. Dokumentacija LeRobot pi05 navaja Apache 2.0, kar je skladno z openpi, medtem ko kartica Hub za lerobot/pi05_base, vsebuje license: gemma. Obe sta aktivni. GR00T N1.7 ima milejšo različico: README datoteka Isaac-GR00T mimogrede navaja, da je N1.7 v celoti komercialno licenciran pod Apache 2.0, medtem ko njegov lastni licenčni oddelek in kartica modela postavljata kodo le pod Apache 2.0 in uteži pod NVIDIA Open Model License.

Privzete nastavitve, ki jih boste dejansko poganjali

Vsak obrazec za usposabljanje privzeto vključuje nastavitve, ki niso poljubne. ACT-jeve so lastne LeRobotu: serija 8, lr 1e-5, 100000 korakov usposabljanja, velikost bloka 100, kar ustreza ACTConfig-u navzgor in k=100 iz ACT članka. Eden od stolpcev spodaj je past.

Nastavitev, ki je pomembnejša od izbire modela

To je akcijski kos. Daljši kosi zagotavljajo bolj gladko gibanje in manj kumulativnih napak, vendar je politika zavezana, medtem ko se blok izvaja, zato se pozno odziva na vse, kar se premika: samozavestna na statični kocki, brezupna na premikajoči se. Če preseže cilj, skrajšanje izvedenega dela premaga ponovno učenje in je brezplačno. Spoj, ki se ustavi prekmalu, je drugačen problem; glej .

• ACT: ACTConfig privzeto uporablja chunk_size 100 in n_action_steps 100. Časovno združevanje je izklopljeno in zahteva n_action_steps 1.
• GR00T N1.7: notranji horizont se je povečal iz 16 na 40, vendar LeRobotov primer SO-101 še vedno izvaja --policy.chunk_size=16 --policy.n_action_steps=16. Zastavica za izvedbo je bila preimenovana v --execution-horizon.
• Pi0.5: 50-korakovni kos, od katerega LeRobotov recept LIBERO izvede 10 preko --policy.n_action_steps=10; z --policy.pretrained_path se vrne na 50, če izpustite zastavico.
• SmolVLA: 50-akcijski kosi, oba gumba izpostavljena.

Kako pregledati vseh pet v enem popoldnevu

Najcenejši odgovor ni več branja. Porabite približno 15 USD in pustite, da vam roka pove: posnemite enkrat, najprej trenirajte poceni model, nato pa stopnjujte, ko se podatki izkažejo za zanesljive. Struktura premaga količino, kar je bistvo in .

1. 1
   Posnemite 50 epizod enkrat

   Petdeset epizod pripravi teren za GR00T, Pi0.5 in ACT, ter 30 za SmolVLA. Ponovite vsako variacijo, namesto da se razpršite: 50 epizod na 5 pozicijah kocke, kjer 25 ni bilo treniranih. Glejte posnemite svoj prvi nabor podatkov.

   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
   Najprej trenirajte ACT, ker vam ne more lagati

   Brez predhodno treniranih uteži, zato če nalogo sploh opravi, vaš nabor podatkov vsebuje nalogo. Če ACT ne napreduje, popravite podatke. 1 do 3 USD, 2 do 5 ur na 24 GB kartici.

   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
   Zaženite SmolVLA na istem naboru podatkov, nespremenjenem

   Isti podatki, ista roka, 450 M parametrov namesto 80 M, plus jezikovno pogojevanje. LeRobot ocenjuje 20K korakov na približno 4 ure na enem A100. To vam pove, ali predhodno treniranje prinaša kakršne koli koristi.

   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
   Pretvorite na v2.1, preden se lotite GR00T-a

   GR00T bere različico formata LeRobot v2 plus dodatno datoteko meta/modality.json, ki preslikuje, kako se združeni nizi stanj in dejanj razdelijo v poimenovana polja. Nabor podatkov v3.0 povzroči sesutje nalagalnika, ker v3.0 pakira veliko epizod v skupne datoteke, medtem ko je v2 pisal eno na epizodo. Isaac-GR00T dobavlja pomočnika za znižanje različice kot scripts/lerobot_conversion/convert_v3_to_v2.py; stran za zavrnitev v3 je hitra pot.

   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
   Uporabite GR00T N1.7 le, če prvi dve možnosti nista bili dovolj učinkoviti

   Prek NVIDIA-jevega CLI, prikazanega tukaj, ali LeRobotovega tipa politike groot. NVIDIA priporoča 40 GB ali več VRAM-a za fino uglasitev, 16 GB za sklepanje. Ob napaki OOM si oglejte stran 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 načina za izvedbo tega presejalnega pregleda

# 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

Temeljni model ali od začetka

Prava dilema ni, kateri model 3 B izbrati. Gre za to, ali sploh uporabiti predhodno usposobljen VLA, glede na to, da se je ACT naučil šestih resničnih bimanualnih nalog iz približno desetih minut demonstracij za vsako, z 80 M parametri in nič predhodno usposobljenega.

Primer reprodukcije starega zagona

Zasledovanje kontrolne točke iz leta 2025 določa izbiro modela za vas in problem spremeni v pripenjanje različice: trenutni LeRobot zavrača N1.5, zato pripnete lerobot==0.5.1. Brez polja za seme in s 5 do 6 odstotki variance med zagoni, je reprodukcija po zasnovi približna. in imata platformno stran.

Zmanjšalo se je na dva? ACT proti GR00T N1.7 in GR00T N1.7 proti SmolVLA. Neobdelane vrstice so v vnosih arene: GR00T N1.7, Pi0.5, SmolVLA in ACT.

Kje vam ta platforma ne pomaga

• Ne more pospešiti oddaljenega sklepanja. Zanka od 20 do 485 ms pripada modelu; internetni povratni časi se ji prištejejo.
• Ne more natančno uglasiti GR00T ali Pi0.5 na vaši strojni opremi. Oba sta tukaj samo v oblaku; samo SmolVLA in ACT delujeta lokalno.
• Ne more popraviti podatkovnega nabora. Izguba pada, vendar politika ne dela nič je problem s podatki, politika, ki deluje samo v eni nastavitvi je problem pokritosti.
• Ne more zagotoviti ponovljivosti izvajanj GR00T: nadrejena konfiguracija nima polja za seme.

Izbira in nadaljevanje

Ena privzeta možnost: posnemite 50 epizod, trenirajte ACT za 1 do 3 USD, da dokažete nabor podatkov, nato SmolVLA na istih podatkih. Skupaj pod 6 USD, in odgovorita na pomembno vprašanje: ali predhodno učenje tukaj pomaga, ali je ozko grlo v podatkih. Stopnjujte na GR00T N1.7 za večstopenjske naloge z bogatim stikom, na Pi0.5, ko se scena spremeni.

Predstavitev platforme: trenirajte svojo prvo politiko, nato zaženite svojo prvo politiko. Dokumentacija za usposabljanje in dokumentacija za nabore podatkov pokrivata obliko in format; stran SO-100 in celoten vodnik za SO-100 pokrivata izdelavo in kalibracijo. Ozadje: pregled VLA in članek o ujemanju toka Pi0. Tisto, kar bo izboljšalo vašo stopnjo uspešnosti, je vodnik za kakovost podatkov.