Kako trenirati GR00T N1.7 na sopstvenom SO-100 skupu podataka

NVIDIA isporučuje primer finog podešavanja za tačno onu ruku koju verovatno posedujete. Unutar Isaac-GR00T repozitorijuma nalazi se folder pod nazivom demo_data/cube_to_bowl_5: pet epizoda, 4,148 frejmova pri 30 fps, već napisano kao LeRobot v2.1, sa odgovarajućom konfiguracijom modaliteta pod examples/SO100/. Njegov meta/info.json izveštava robot_type: so101_follower, što je u LeRobot-u ista klasa konfiguracije kao so100_follower. To je zaista korisno, jer znači da je referentna putanja za GR00T N1.7 na hobi ruci sa šest stepeni slobode održavaju ljudi koji su napisali model. To nije smanjena humanoidna demonstracija, to je ista ruka.

Loša vest je razdaljina između I recorded 60 episodes i the arm does the task. Postoji oko šest mesta gde ovaj pajplajn tiho, a ne glasno, zataji, a četiri od njih se nalaze u fajlovima koje većina ljudi nikada ne otvara: meta/modality.json, konfiguracija Python podataka, meta/relative_stats.json, i sopstveni string verzije skupa podataka. Ovaj vodič prolazi kroz ručnu rutu od početka do kraja sa stvarnim komandama, a zatim prikazuje isti posao kao obrazac na AY-Robots. Sve dole navedeno je provereno u odnosu na glavnu granu Isaac-GR00T od 20. avgusta 2026. (linija izdanja n1.7) i lerobot 0.6.1, objavljen na PyPI 3. avgusta 2026. Uzvodno se brzo menja, i tamo gde je zastavica preimenovana, ovaj članak to navodi.

Šta je GR00T N1.7 zapravo

GR00T N1.7 je model vida-jezika-akcije, sa rasporedom dvostrukog sistema opisanim u originalnom GR00T N1 radu: modul vida-jezika koji čita kamere i instrukcije, i difuzioni transformator koji to pretvara u deo kontinuiranih motornih komandi. N1.7 je zamenio prvu polovinu. Eagle okosnica iz N1.6 je uklonjena, zamenjena sa nvidia/Cosmos-Reason2-2B na Qwen3-VL arhitekturi, a model je preobučen na otprilike 20.000 sati egocentričnog ljudskog videa pored robotskih podataka. NVIDIA-in sopstveni izveštaj navodi cifru od 20.854 sata i izveštava da prelazak sa 1k na 20k sati više nego udvostručuje prosečnu stopu izvršenja zadataka.

Druga polovina se takođe promenila, na načine koji su važni za vaše izvršavanje. Glava akcije je smanjena sa 32 difuziona sloja na 16, predviđeni blok akcija je porastao sa 16 koraka na 40, a maksimalna širina stanja i akcije je prešla sa 29 na 132. Ova tri broja potiču iz changelog-a u README-u repozitorijuma; NVIDIA-in sopstveni post o lansiranju i dalje opisuje Sistem 1 kao 32-slojni DiT, tako da tamo gde se ova dva ne slažu, verujte repozitorijumu koji ćete klonirati. Akcije su podrazumevano izražene u relativnom prostoru krajnjeg efektora , delte od trenutne poze, a ne apsolutne mete, što omogućava da se prethodna znanja o manipulaciji naučena iz ljudskog videa prenesu u kontrolu robota. Sama glava je flow-matching difuzioni transformator, iste porodice kao Pi0.5, ali sa drugačijom okosnicom ispred. Ako ste još uvek na prethodnoj generaciji, N1.7 u poređenju sa N1.5 pokriva da li nadogradnja opravdava ponovno kreiranje vašeg pajplajna.

Ova poslednja tri reda objašnjavaju većinu razočaranja koje ljudi prijavljuju. Naslovnih 27.9 ms je TensorRT engine na H100 sa jednom kamerom i četiri koraka denoisovanja. Čisti PyTorch na istoj kartici je 85.8 ms, a kartica modela navodi da je razlika 3.08x. Nijedan broj ne uključuje sloj za serviranje, drugu kameru ili mrežni skok. 152 ms po koraku akcije koje AY-Robots navodi za svoj servisirani GR00T N1.7 je cifra sa serviranjem u petlji, a povratno putovanje preko javnog interneta je povrh toga. Više o ovome na kraju. Za brojeve pored drugih modela, GR00T N1.7 u poređenju sa Pi0.5 i GR00T N1.7 u poređenju sa SmolVLA ih prikazuju jedan pored drugog.

Šta je potrebno za pokretanje pre nego što bilo šta ukucate

Korak 0: same epizode

Sve dole pretpostavlja da već imate snimljene epizode. Ako nemate, to je pravi prvi korak i on je taj koji odlučuje koliko dobar rezultat može biti, jer učenje imitacijom ne može povratiti informacije koje nisu u podacima. Prvo kalibrišite obe ruke, zatim vozite pratioca sa vodećom rukom dok lerobot-record piše parquet datoteke i tokove kamere. Ako je kalibracija isključena, vrednosti zglobova u vašem skupu podataka opisuju nešto drugačijeg robota od onog koji će kasnije izvršavati politiku, i nikakva količina treninga to ne može popraviti.

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}, wrist: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30}}" \
    --teleop.type=so100_leader \
    --teleop.port=/dev/ttyACM1 \
    --teleop.id=my_leader_arm \
    --dataset.repo_id=${HF_USER}/cube-into-bowl \
    --dataset.num_episodes=60 \
    --dataset.single_task="put the cube in the yellow bowl" \
    --display_data=true

Sopstveni savet LeRobot-a je da snimite najmanje 50 epizoda sa oko 10 po lokaciji objekta, da kamere držite fiksirane i da ponašanje hvatanja bude dosledno. Dodajte varijacije kasnije, ne na početku. Pravilo koje vredi zapamtiti: ako sami niste mogli da obavite zadatak samo na osnovu slika sa kamere, politika takođe ne može. Za podešavanje specifično za ruku, SO-100 početak rada i stranica SO-100 LeRobot pokrivaju portove, kalibraciju i indekse kamere. Na AY-Robots takođe možete ovo uraditi preko interneta iz pretraživača koristeći teleoperaciju i snimati direktno iz sesije.

Korak 1: skup podataka mora biti LeRobot v2.1

Ovo je najčešća prepreka. Trenutna CODEBASE_VERSION na glavnoj grani je v3.0, tako da sve što danas snimite sa trenutnim skupom alata izlazi kao v3.0. GR00T-ov učitavač očekuje v2. Repozitorijum je eksplicitan o razlogu: mnogi uzvodni skupovi podataka kao što su DROID, LIBERO i Bridge objavljeni su u v2, a izvorna podrška za oba je planirana, ali nije isporučena. Dakle, konverzija je na vama, i ona se pokreće u sopstvenom virtuelnom okruženju iz konkretnog razloga: scripts/lerobot_conversion nosi sopstveni pyproject koji zahteva Python 3.10 ili 3.11 i fiksira lerobot na jedan git commit, dok sam Isaac-GR00T zahteva Python 3.12. Instalirajte konvertor iz korena repozitorijuma i dobićete gr00t paket umesto toga, što je greška na koju upozorava njegov README. Ako ste novi u formatu, LeRobot skup podataka unos u rečniku objašnjava šta se zapravo nalazi unutra.

# from the Isaac-GR00T repo root
cd scripts/lerobot_conversion
uv venv
source .venv/bin/activate
uv pip install -e . --verbose

# pulls the dataset from the Hub and writes a v2.1 copy into the default cache
python convert_v3_to_v2.py --repo-id <your-hf-user>/<your-dataset>

# or, back in the repo root, keep it next to the SO-100 example
uv run --project scripts/lerobot_conversion \
  python scripts/lerobot_conversion/convert_v3_to_v2.py \
  --repo-id <your-hf-user>/<your-dataset> \
  --root examples/SO100/my_dataset_lerobot

Struktura koju GR00T želi nakon konverzije je klasični v2 raspored: meta/info.json, meta/episodes.jsonl, meta/tasks.jsonl, parket fajlovi pod data/chunk-000/, MP4 fajlovi pod videos/chunk-000/observation.images./, i jedan dodatni fajl koji standardni LeRobot nema. Taj dodatni fajl je mesto gde se nalazi većina preostalih grešaka.

Korak 2: modality.json, šest brojeva koji odlučuju o svemu

U LeRobot skupu podataka, stanje robota i akcija su sačuvani kao ravni float32 nizovi. Za SO-100, oba imaju oblik [6]: pet zglobova ruke i hvataljka. Demo skup podataka ih imenuje shoulder_pan.pos, shoulder_lift.pos, elbow_flex.pos, wrist_flex.pos, wrist_roll.pos, gripper.pos, ali ta imena žive u info.json i ništa u parket fajlu ne govori koji indeks je koji. meta/modality.json obezbeđuje to mapiranje, i GR00T neće trenirati bez njega. Evo onog koji repozitorijum isporučuje za SO-100, doslovno.

{
  "state": {
    "single_arm": {
      "start": 0,
      "end": 5
    },
    "gripper": {
      "start": 5,
      "end": 6
    }
  },
  "action": {
    "single_arm": {
      "start": 0,
      "end": 5
    },
    "gripper": {
      "start": 5,
      "end": 6
    }
  },
  "video": {
    "front": {
      "original_key": "observation.images.front"
    },
    "wrist": {
      "original_key": "observation.images.wrist"
    }
  },
  "annotation": {
    "human.task_description": {
      "original_key": "task_index"
    }
  }
}

Kopirajte ga u vaš konvertovani skup podataka na meta/modality.json i preimenujte video ključeve u ono kako se vaše kamere zapravo zovu. Ako ste snimali jednom nadzemnom kamerom nazvanom top, onda je original_key observation.images.top a prijateljsko ime je ono na šta će se vaša konfiguracija podataka referencirati. Ova dva moraju da se slažu, i nijedan od njih ne proverava drugi umesto vas. Jezička anotacija je gora, jer se isti ključ mora pojaviti na tri mesta.

Korak 3: konfiguracija podataka, relativna ruka i apsolutni hvatač

Konfiguracija modaliteta je Python datoteka, a ne JSON, jer takođe određuje kako je svaka grupa akcija predstavljena. Ovo je deo N1.7 radnog toka koji nije postojao u istom obliku u N1.5, i deo koji vredi pročitati dvaput. Isporučena SO-100 konfiguracija predviđa pet zglobova ruke kao RELATIVE delte od trenutnog stanja i hvataljku kao ABSOLUTE ciljnu poziciju, jer se binarni signal otvoren-ili-zatvoren bolje ponaša kao cilj nego kao delta.

from gr00t.configs.data.embodiment_configs import register_modality_config
from gr00t.data.embodiment_tags import EmbodimentTag
from gr00t.data.types import (
    ActionConfig, ActionFormat, ActionRepresentation, ActionType, ModalityConfig,
)

so100_config = {
    "video": ModalityConfig(
        delta_indices=[0],                       # current frame only
        modality_keys=["front", "wrist"],        # must match modality.json
    ),
    "state": ModalityConfig(
        delta_indices=[0],
        modality_keys=["single_arm", "gripper"],
    ),
    "action": ModalityConfig(
        delta_indices=list(range(0, 16)),        # predict 16 future steps
        modality_keys=["single_arm", "gripper"],
        action_configs=[
            ActionConfig(rep=ActionRepresentation.RELATIVE,   # arm joints
                         type=ActionType.NON_EEF,
                         format=ActionFormat.DEFAULT),
            ActionConfig(rep=ActionRepresentation.ABSOLUTE,   # gripper
                         type=ActionType.NON_EEF,
                         format=ActionFormat.DEFAULT),
        ],
    ),
    "language": ModalityConfig(
        delta_indices=[0],
        modality_keys=["annotation.human.task_description"],
    ),
}

register_modality_config(so100_config, embodiment_tag=EmbodimentTag.NEW_EMBODIMENT)

Dva detalja ovde će vas koštati dan ako ih ne znate. Prvo, action_configs je poziciono: dokumentacija zahteva istu dužinu i isti redosled kao modality_keys, i izričito navode posledice pogrešnog unosa, a to je da se pogrešna reprezentacija primenjuje tiho. Vaša hvataljka se trenira kao delta, a vaša ruka kao apsolutna meta, i nema poruke o grešci. Drugo, register_modality_config tvrdi da oznaka nije već registrovana, tako da druga NEW_EMBODIMENT konfiguracija u istom Python procesu umire sa Embodiment tag ... already registered. Ne možete uvesti dve ovakve u jednu skriptu. Treće pravilo se primenjuje kasnije, pri implementaciji: akcija delta_indices mora biti neprekidan opseg koji počinje od nule. Retki prozor kao što je [0, 4, 8] se odbija, jer sve nizvodno indeksira predviđeni deo linearno i inače bi izvršilo pogrešne redove.

Korak 4: okruženje

N1.7 je premestio repozitorijum na i Python 3.12. Stara conda plus pip install -e . putanja i dalje postoji u skrivenom delu README-a, ali upozorava da GPU zavisnosti, uključujući flash-attn i TensorRT, možda zahtevaju ručnu instalaciju. Koristite uv osim ako nemate specifičan razlog da to ne učinite. Što se tiče flash-attn-a, jedan detalj sprečava zabunu: videćete Installing flash-attn odštampano pri svakom uv run. Ne vrši se ponovna izgradnja. uv ponovo validira wheel koji je vezan za URL i koji je već keširan, a to traje dve ili tri sekunde.

1. 1
   Instalirajte git-lfs, zatim klonirajte sa podmodulima

   git-lfs je obavezan, nije opcioni. Bez njega, parquet fajlovi u demo_data/ dolaze kao pokazivački stubovi, a demo pokretanje ne uspeva na skupu podataka koji izgleda prisutan u listi fajlova.

   bash

   sudo apt install git-lfs && git lfs install
   git clone --recurse-submodules https://github.com/NVIDIA/Isaac-GR00T
   cd Isaac-GR00T

2. 2
   Instalirajte uv i sinhronizujte okruženje

   Podrazumevana instalacija povlači GPU zavisnosti, uključujući flash-attn i TensorRT. Na svežoj A100 ili H100 slici, ovo je najduži pojedinačni korak, pa ga uradite pre nego što obratite pažnju na bilo šta drugo.

   bash

   curl -LsSf https://astral.sh/uv/install.sh | sh
   sudo apt-get update && sudo apt-get install -y ffmpeg
   uv sync --python 3.12
   uv run python -c "import gr00t; print('GR00T installed successfully')"

3. 3
   Autentifikujte se sa Hugging Face-om

   Uradite ovo pre prvog pokretanja obuke, a ne nakon što ne uspe osam minuta kasnije.

   bash

   uv run huggingface-cli login   # or: export HF_TOKEN=<your_token>

4. 4
   Provera ispravnosti na isporučenim SO-100 demo podacima

   Pre nego što dodirnete sopstveni snimak, pokrenite 2000 koraka na demo_data/cube_to_bowl_5. To je pet epizoda, brzo se završava i dokazuje okruženje, a ne vaše podatke. Ako ovo pokretanje ne uspe, ništa što uradite sa svojim skupom podataka neće pomoći.

   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

Korak 5: komanda za fino podešavanje i koje su podrazumevane vrednosti njenih zastavica

Zamenite demo skup podataka svojim i dodajte opcije koje zaista želite. Ispod je puni oblik koji repozitorijum koristi u svom tutorijalu za novo-otelotvorenje, uključujući zastavice za augmentaciju i čuvanje kontrolnih tačaka koje kratak README primer izostavlja. Ovo je u užem smislu: jezička okosnica i vizuelni enkoder ostaju zamrznuti, a ono što se trenira su projektor i difuziona akciona glava.

export NUM_GPUS=1
CUDA_VISIBLE_DEVICES=0 uv run python \
    gr00t/experiment/launch_finetune.py \
    --base-model-path nvidia/GR00T-N1.7-3B \
    --dataset-path ./my_dataset_lerobot \
    --embodiment-tag NEW_EMBODIMENT \
    --modality-config-path examples/SO100/so100_config.py \
    --num-gpus $NUM_GPUS \
    --output-dir /tmp/so100 \
    --save-total-limit 5 \
    --save-steps 2000 \
    --max-steps 20000 \
    --use-wandb \
    --global-batch-size 32 \
    --color-jitter-params brightness 0.3 contrast 0.4 saturation 0.5 hue 0.08 \
    --dataloader-num-workers 4

Taj poslednji red nije greška u kucanju. launch_finetune.py je tyro CLI generisan iz dataclass-a, i taj dataclass nema polje za seed. README zasebno navodi 5 do 6 procenata varijacije između pokretanja uzrokovane nedeterminističkom augmentacijom slike. Dva pokretanja sa identičnim flagovima neće proizvesti identične kontrolne tačke, što je veoma važno kada pokušavate da odlučite da li je promena hiperparametra pomogla ili ste imali sreće. Poređenja radi, lerobot-ov sopstveni trener podrazumevano koristi seed 1000, a LeRobot GR00T recept prosleđuje --seed=42 eksplicitno.

Koliko košta pokretanje od 20000 koraka

GR00T N1.7 zahteva karticu od 80 GB, tako da pitanje troškova ima uzak odgovor. Na AY-Robots, groot1.7 trener radi na A100 80 GB ili H100 80 GB nivou, gde pokretanje traje 3 do 6 sati po ceni od 1.20 do 2.00 USD po satu na spot tržištu. To je otprilike 4 do 12 USD za podrazumevani posao od 20000 koraka. Isti zadatak na SmolVLA ili ACT se izvršava na kartici od 24 GB po ceni od 0.30 do 0.60 USD po satu i 1 do 3 USD po pokretanju. To je pravi kompromis: GR00T košta oko četiri puta više po pokušaju, i ne možete ga pokrenuti na 4090 ispod vašeg stola.

Minimalnih 50 epizoda minimum je donja granica, a ne cilj. NVIDIA-in FAQ je zahtevniji: otprilike 100 trajektorija za jednostavno podizanje i postavljanje na fiksnoj lokaciji, 500 ili više za složene scene ili scene sa više koraka, i 100 do 500 za finu manipulaciju. Ako imate 20 epizoda, provedite popodne snimajući umesto da uveče podešavate. vodič za prikupljanje podataka pokriva šta razdvaja korisnu epizodu od protraćene, snimite svoj prvi skup podataka je kratka verzija, a SO-100 prikupljanje podataka je specifična za ruku.

Korak 6: evaluacija u otvorenoj petlji pre nego što dodirnete ruku

Ne stavljajte svež kontrolnu tačku na fizičku ruku da biste saznali da li je obuka uspela. Prvo pokrenite evaluaciju otvorene petlje. Ona ponavlja snimljenu epizodu, traži od modela akcije na svakom koraku i iscrtava predviđanje u odnosu na stvarnu vrednost sa MSE i MAE. Ne košta ništa i hvata greške u mapiranju iz koraka 2 i 3.

uv run python gr00t/eval/open_loop_eval.py \
    --dataset-path ./my_dataset_lerobot \
    --embodiment-tag NEW_EMBODIMENT \
    --model-path /tmp/so100/checkpoint-20000 \
    --traj-ids 0 \
    --execution-horizon 16 \
    --steps 400 \
    --modality-keys single_arm gripper

Repozitorijum namerno odbija da objavi ciljni MSE za prilagođene podatke, i to je ispravna odluka: broj zavisi od vaših akcionih jedinica, vašeg zadatka i veličine vašeg skupa podataka, tako da prag kopiran sa tuđe ruke ne znači ništa. Ono što je značajno je trend. Evo referentnog pokretanja koje repozitorijum dokumentuje na jednom H100 sa demo skupom podataka od pet epizoda i 2000 koraka.

Oblik je signal, a ne apsolutne vrednosti. Greška bi trebalo da opada postojano kako se koraci treninga akumuliraju. Prosečno preko svih pet epizoda treninga, a ne samo trajektorije 0, konačna kontrolna tačka repozitorijuma postigla je približno 7.5 MSE i 1.5 MAE, tako da se čak i referentno pokretanje tumači drugačije u zavisnosti od toga koje epizode prosečite. Zabeležite svoju sopstvenu osnovnu liniju na nemodifikovanoj demo komandi pre nego što promenite bilo šta u vezi sa sopstvenim podacima: ako ne možete reprodukovati poznato-dobro pokretanje, ne možete razlikovati grešku u podešavanju od problema sa podacima. Repozitorijum takođe mapira uobičajene simptome na uzroke, i svaki od njih je operativan, a ne greška modela.

Drugi put: lerobot-train umesto Isaac-GR00T

Trenutno izdanje LeRobot-a, 0.6.1 na PyPI-ju od 3. avgusta 2026. godine, nudi drugi i prilično drugačiji način za fino podešavanje istih osnovnih težina. LeRobot izlaže GR00T N1.7 kao tip politike i trenira ga kroz sopstvenu lerobot-train ulaznu tačku. Dve stvari su ovde važne. LeRobot CLI je skup konzolnih skripti, tako da sve što pročitate što kaže python lerobot/scripts/train.py je zastarelo i neće se pokrenuti. I LeRobot je u potpunosti uklonio podršku za GR00T N1.5, odbijajući N1.5 kontrolne tačke i konfiguracije uz napomenu o migraciji, tako da ako vam je potreban N1.5 kroz LeRobot, morate da fiksirate verziju lerobot==0.5.1, poslednje izdanje koje ga podržava, objavljeno 7. aprila 2026.

pip install "lerobot[groot]" "lerobot[training]"
hf auth login

lerobot-train \
  --dataset.repo_id=$HF_USER/$DATASET_NAME \
  --dataset.image_transforms.enable=true \
  --policy.type=groot \
  --policy.device=cuda \
  --policy.base_model_path=nvidia/GR00T-N1.7-3B \
  --policy.embodiment_tag=new_embodiment \
  --policy.chunk_size=16 \
  --policy.n_action_steps=16 \
  --policy.use_relative_actions=true \
  --policy.relative_exclude_joints='["gripper"]' \
  --policy.use_bf16=true \
  --seed=42 \
  --batch_size=64 \
  --steps=20000 \
  --save_freq=5000 \
  --output_dir=$OUTPUT_DIR

Dva načina da se dobije ista kontrolna tačka

Vraćanje kontrolne tačke na ruku

Isaac-GR00T koristi podelu server-klijent preko ZMQ-a. Politika se izvršava na GPU-u, a tanki klijent na robotskoj mašini šalje zapažanja i prima delove akcija. Primer SO-100 je dovoljno kompletan za kopiranje: pokrenite run_gr00t_server.py sa vašom kontrolnom tačkom i --embodiment-tag NEW_EMBODIMENT, zatim pokrenite eval_so100.py na strani robota sa serijskim portom, ID-om robota, indeksima kamere i jezičkom instrukcijom. Imena kamera u toj komandi moraju se podudarati sa prijateljskim imenima iz vašeg modality.json, a ne sa brojevima OS uređaja.

# GPU side
uv run python gr00t/eval/run_gr00t_server.py \
  --model-path /tmp/so100/checkpoint-20000 \
  --embodiment-tag NEW_EMBODIMENT \
  --device cuda:0 \
  --host 0.0.0.0 --port 5555

# robot side, from gr00t/eval/real_robot/SO100
uv run --no-sync python eval_so100.py \
  --robot.type=so101_follower \
  --robot.port=/dev/ttyACM2 \
  --robot.id=orange_follower \
  --robot.cameras="{ front: {type: opencv, index_or_path: 6, width: 640, height: 480, fps: 30}, wrist: {type: opencv, index_or_path: 2, width: 640, height: 480, fps: 30}}" \
  --policy_host=localhost --policy_port=5555 \
  --lang_instruction="put the cube in the yellow bowl"

Sada iskreni deo o tome gde se politika izvršava, jer obuka i posluživanje imaju različite hardverske priče. Fino podešavanje zahteva 40 GB ili više. Zaključivanje ne: README navodi 16 GB ili više i eksplicitno imenuje RTX 4090, tako da kartica koju već posedujete može da posluži checkpoint koji nikada nije mogla da proizvede. Ono što odlučuje da li se politika oseća responsivno nije VRAM, već gde se server nalazi. Na AY-Robots GR00T N1.7 je samo u oblaku, tako da kontrolna petlja plaća povratno putovanje preko javnog interneta pored 152 ms po koraku akcije, i samo SmolVLA i ACT takođe rade lokalno. Za sporo uzimanje i postavljanje, udaljeni pod je podnošljiv. Za bilo šta reaktivno nije: politika postaje neodlučna na način koji izgleda tačno kao neuspeh obuke, a nije. ACT sa 20 ms po koraku akcije je model koji toleriše najužu petlju, SmolVLA je na 245 ms, i nikakva količina podešavanja latencije ne može da nadoknadi povratno putovanje koje je već potrošeno. Pokrenite svoju prvu politiku detaljno objašnjava stranu posluživanja.

Šta zapravo ide naopako

• GatedRepoError pri prvom pokretanju. Nije vam odobren pristup nvidia/Cosmos-Reason2-2B, ili se niste autentifikovali. Ovo se dešava nakon što je GPU sat već počeo da radi.
• Skup podataka odbijen pri učitavanju. Gotovo uvek je to v3.0 skup podataka. Konvertujte ga na nižu verziju. Pogledajte skup podataka odbijen kao v3.
• IndexError zbog neusklađenih Bulovih dimenzija. Promenili ste delta_indices i niste regenerisali statistiku.
• Nedostatak memorije pri batch 32. Smanjite --global-batch-size i povećajte --gradient-accumulation-steps, ili smanjite --num-shards-per-epoch, što konfiguracija eksplicitno sugeriše kada je VRAM ograničen. Pogledajte nedostatak memorije tokom treninga.
• Gubitak opada, politika ne radi ništa. Podrazumevano nema validacione podele, tako da čista kriva treninga malo toga dokazuje. Ova stranica pokriva dijagnozu.
• Radi u vašem podešavanju i nigde drugde. Očekivano sa malim skupom podataka snimljenim pod jednim svetlosnim uslovima. NVIDIA preporučuje augmentaciju sa promenom boja (colour jitter) plus 20 do 50 epizoda pod različitim osvetljenjem. Više ovde.
• Hvataljka se nikada ne zatvara pravilno. Proverite da li je akcija hvataljke ABSOLUTE, a zglobovi ruke RELATIVE, tim redosledom u action_configs. Hvataljka se ne zatvara navodi ostale uzroke.
• Kamera se tiho isključi usred snimanja. Epizoda se i dalje snima i video ključ i dalje postoji, zbog čega je ovo nezgodno. Kamera nije detektovana to pokriva.

Ceo indeks režima kvara nalazi se na stranicama za popravke. Ako birate između modela umesto da otklanjate greške na jednom, poređenje politika i unos u arenu za GR00T N1.7 imaju benchmark brojeve sa priloženim izvorima, a ACT protiv GR00T N1.7 je poređenje koje većini ljudi zapravo treba, jer je to izbor između modela koji možete trenirati na kartici ispod vašeg stola i onog za koji morate iznajmiti čvor od 80 GB za fino podešavanje. Za pozadinske informacije o tome zašto se ovi modeli ponašaju na način na koji se ponašaju, VLA pregled i SO-100 kompletan vodič vredi prvo pročitati. A ako još uvek nemate ruku, ruka uživo strimuje fizički SO-100 bez prijave.