Koju VLA politiku treba da trenirate 2026. godine?

Pet politika se danas može obučiti na ruci klase SO-100. One se razlikuju za faktor 24 u inferenciji latencije, 37 u broju parametara i 12 u ceni pokretanja, kao i u tome da li smete da isporučite rezultat. Pet kartica modela neće rešiti dilemu: nijedna ne odgovara na pitanje koje imate, koju da pokrenem prvu?

Svaki broj ispod je pročitan iz radova, repozitorijuma i kartica u avgustu 2026. Brojevi platformi dolaze iz AY-Robots katalog politika; gde se ova dva ne slažu, prikazana su oba.

Tabela odluka

Pet kandidata

Svih pet su politike: okviri kamere, pozicije zglobova i, za četiri od njih, jezička instrukcija, mapirana na deo budućih ciljeva zglobova. Ono što ih razdvaja je koliko je toga naučeno pre vašeg dolaska.

GR00T N1.7

NVIDIA-in trenutni vizuelno-jezički-akcioni model, oko 3 milijarde parametara, približno 40 miliona trenirano tokom finog podešavanja. Repozitorijum navodi razlike u odnosu na N1.6: okosnica je promenjena sa Eagle modela dobavljača na Cosmos-Reason2-2B na Qwen3-VL, difuzioni slojevi sa 32 na 16, dimenzije stanja i akcije sa 29 na 132, akcioni horizont sa 16 na 40.

Ono što je važno kod male ruke je relativni akcioni prostor krajnjeg efektora: N1.7 predviđa delte od trenutne poze, što omogućava prenos 20 hiljada sati EgoScale ljudskog videa u robotsku politiku. Specifikacije na stranici N1.7, procedura u uputstvu za N1.7 na SO-100.

GR00T N1.5

Ista skala od 3 B, Eagle 2 okosnica, SigLip2 i T5, DiT glava za usklađivanje protoka. Postoji da bi se proširio koji već imate. Dve stvari ga čine lošim podrazumevanim izborom: težine nose NVIDIA's one-way non-commercial licence, and current LeRobot releases removed N1.5 support. See .

Pi0.5

Physical Intelligence-ov VLA, tip politike pi05. Rad predstavlja 2 B VLM inicijalizovan iz PaliGemme plus 300 M akcioni ekspert, koji pokreće robota na 50 Hz; LeRobot's pi05 config defaults to a 50-step chunk, one second at that rate. The selling point is unseen places: oko 400 sati mobilne manipulacije u stvarnim domovima, i studija skaliranja preko 3, 12, 22, 53, 82 i 104 lokacije, gde je model sa 104 lokacije odgovarao kontroli obučenoj na samim testnim domovima.

Jedno ograničenje, navedeno na lerobot/pi05_base kartici: port prenosi samo "flow-matching" action head. Predviđanje podzadataka, tokenizacija akcija i RL nisu objavljeni uzvodno, a openpi kaže isto za sopstveni repozitorijum. Stranica Pi0.5 i vodič za Pi0.5 na SO-100 imaju ostatak.

SmolVLA

450 M parametara, oko 100 M u akcionom ekspertu, na SmolVLM-2 sa zamrznutim VLM-om i korišćenjem samo njegovih prvih 16 slojeva jezičkog modela. Predobuka je bila na podacima zajednice: 481 skup podataka, 10.6 M frejmova, sa istih jeftinih ruku koje koristite. Jedini VLA ovde koji staje na jednu 24 GB karticu, i jedini sa 30 epizoda nivoom. Pogledajte stranicu SmolVLA.

ACT

Nije osnovni model. The Action Chunking Transformer iz ALOHA-e ima oko 80 M parametara obučenih od nule po zadatku, na 50 demonstracija pri 50 Hz. Rad izveštava o šest stvarnih bimanualnih zadataka iz otprilike deset minuta demonstracija svaki, sa 80 do 90 procenata uspešnosti na primerima koje ističe. Njegova ideja, grupisanje akcija, prisutna je u svakom modelu na ovoj stranici, a njegova ablacija i dalje najbolje meri efekat: preko dva simulirana zadatka sa isključenim vremenskim ansamblom, uspeh raste sa 1 procenta pri k=1 na 44 procenta pri k=100. ACT stranica ima ostatak.

Šta benchmarkovi zapravo kažu

LIBERO je jedini benchmark o kojem izveštavaju tri od ovih pet: zadaci uslovljeni jezikom na simuliranom Franka Panda robotu, podeljeni u četiri dole navedene grupe po deset zadataka. NVIDIA je pokrenula 200 proba po grupi.

SimplerEnv pokazuje raspon, što LIBERO ne čini. NVIDIA poredi N1.7 sa N1.6, što je najbliža javna stvar "generacijskoj delti."

Red Bridge je koristan: 5.7 poena dobijeno u proseku dok je put_eggplant_in_basket izgubio 36, a put_eggplant_in_sink pao sa 33 na 2. Nova generacija pomera distribuciju umesto da je podiže, tako da ako se vaš zadatak nalazi tamo gde je N1.7 nazadovao, prosek ne govori ništa.

Od pet, samo rad SmolVLA izveštava o ruci klase SO-100: 78.3 procenta za SmolVLA i 61.7 za Pi0 kroz tri zadatka, oba višenamenska, naspram 48.3 za ACT obučen za jedan zadatak, što nije uporedivo. Čisto poređenje je oba jednonamenska na SO-101 pick-and-place: 90 naspram 70 u distribuciji, 50 naspram 40 izvan nje. Uporedite na ACT naspram SmolVLA i Pi0.5 naspram SmolVLA, ili pretražite arenu.

Kašnjenje i cena odlučuju o implementaciji

Kašnjenje inferencije je ograničenje koje ljudi otkriju poslednje i prvo zažale. Politika koja je pet poena bolja na benčmarku, ali pola sekunde po koraku akcije, izgleda lošije na vašem stolu: dinamika kontakta ne čeka.

Jedna napomena: podatak za GR00T se ne slaže sa NVIDIA karticom, koja meri 4 koraka denoise-ovanja i jednu kameru na 85.8 ms na H100 u eager modu, 48.6 ms sa torch.compile, 27.9 ms kroz pun TensorRT. Ovde je 152 ms cifra za ceo stek sa režijskim troškovima serviranja i više od jedne kamere, a ne samo forward pass.

Jedan način da se dobije na vremenu bez promene modela: rad SmolVLA meri sinhrono izvršavanje, gde politika završava deo pre predviđanja sledećeg, naspram asinhronog, gde se predviđanje preklapa sa izvršavanjem. Uspeh je sličan, 78.3 naspram 73.3, ali isto uzimanje i postavljanje (pick-and-place) traje 9.7 sekundi umesto 13.75, i u fiksnom prozoru robot uspeva da obavi 19 ciklusa umesto 9.

Licence, proverene jer ih niko ne proverava

Red za Pi0.5 zahteva pažnju. LeRobot pi05 dokumentacija navodi Apache 2.0, što je u skladu sa openpi, dok kartica Hub-a za lerobot/pi05_base sadrži license: gemma. Oba su aktivna. GR00T N1.7 ima blažu verziju: Isaac-GR00T README usput navodi da je N1.7 u potpunosti komercijalno licenciran pod Apache 2.0, dok njegov sopstveni odeljak za licencu i kartica modela stavljaju samo kod pod Apache 2.0, a težine pod NVIDIA Open Model License.

Podrazumevane vrednosti koje ćete zapravo pokrenuti

Svaki obrazac za obuku dolazi sa podrazumevanim vrednostima, i one nisu proizvoljne. ACT-ove su LeRobot-ove sopstvene: batch 8, lr 1e-5, 100000 koraka obuke, veličina čanka 100, što odgovara ACTConfig-u uzvodno i k=100 from the ACT paper. Jedna kolona ispod je zamka.

Opcija koja je važnija od izbora modela

To je akcioni blok. Duži blokovi daju glađe kretanje i manje kumulativnih grešaka, ali politika je fiksirana dok se blok izvršava, pa kasno reaguje na sve što se kreće: sigurna na statičnoj kocki, beznadežna na kotrljajućoj. Ako pređe cilj, skraćivanje izvršenog dela je bolje od ponovnog treniranja i besplatno je. Zglob koji se zaustavi prerano je drugačiji problem; pogledajte .

• ACT: ACTConfig podrazumevano koristi chunk_size 100 i n_action_steps 100. Vremensko ansambliranje je isključeno i zahteva n_action_steps 1.
• GR00T N1.7: interni horizont je prešao sa 16 na 40, ali LeRobot-ov SO-101 primer i dalje pokreće --policy.chunk_size=16 --policy.n_action_steps=16. Zastavica za rollout je preimenovana u --execution-horizon.
• Pi0.5: blok od 50 koraka, od kojih LeRobot-ov LIBERO recept izvršava 10 preko --policy.n_action_steps=10; sa --policy.pretrained_path vraća se na 50 ako izostavite zastavicu.
• SmolVLA: blokovi od 50 akcija, obe opcije su izložene.

Kako testirati svih pet u jednom popodnevu

Najjeftiniji odgovor nije više čitanja. Potrošite oko 15 USD i neka vam ruka kaže: snimite jednom, prvo trenirajte jeftin model, pa pojačajte kada se podaci pokažu pouzdanim. Struktura pobeđuje volumen, to je poenta i .

1. 1
   Snimite 50 epizoda jednom

   Pedeset čisti teren za GR00T, Pi0.5 i ACT, i SmolVLA-ovih 30. Ponovite svaku varijaciju umesto da se rasipate: 50 epizoda na 5 pozicija kocke trenirano tamo gde 25 nije. Pogledajte snimite svoj prvi skup podataka.

   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
   Prvo trenirajte ACT, jer vam ne može lagati

   Nema unapred obučenih težina, pa ako uopšte obavi zadatak, vaš skup podataka sadrži taj zadatak. Ako ACT ne reaguje, popravite podatke. 1 do 3 USD, 2 do 5 sati na kartici od 24 GB.

   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
   Pokrenite SmolVLA na istom skupu podataka, nepromenjenom

   Isti podaci, ista ruka, 450 M parametara umesto 80 M, plus jezičko uslovljavanje. LeRobot procenjuje pokretanje od 20K koraka na otprilike 4 sata na jednom A100. Ovo vam govori da li predtreniranje donosi bilo kakvu korist.

   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 u v2.1 pre nego što dodirnete GR00T

   GR00T čita varijantu LeRobot v2 formata plus dodatni meta/modality.json koji mapira kako se konkatenirani nizovi stanja i akcija dele na imenovana polja. Skup podataka v3.0 ruši taj učitavač, jer v3.0 pakuje mnoge epizode u deljene datoteke gde je v2 pisao jednu po epizodi. Isaac-GR00T isporučuje pomoćnik za downgrade kao scripts/lerobot_conversion/convert_v3_to_v2.py; stranica za odbijanje v3 je brzi put.

   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
   Pređite na GR00T N1.7 samo ako prva dva nisu dala željene rezultate

   Preko NVIDIA-inog CLI-ja, prikazanog ovde, ili LeRobot-ovog tipa politike groot. NVIDIA preporučuje 40 GB ili više VRAM-a za fino podešavanje, 16 GB za inferenciju. U slučaju OOM-a, pogledajte stranicu o OOM-u.

   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 pokretanje tog skrining prolaza

# 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

Osnovni model ili od nule

Prava dilema nije koji 3 B model odabrati. Pitanje je da li uopšte koristiti predtrenirani VLA, s obzirom na to da je ACT naučio šest stvarnih bimanualnih zadataka iz oko deset minuta demonstracija za svaki, sa 80 M parametara i ništa predtrenirano.

Slučaj reprodukcije starog pokretanja

Potraga za kontrolnom tačkom iz 2025. godine donosi izbor modela za vas i pretvara problem u fiksiranje verzije: trenutni LeRobot odbija N1.5, pa fiksirate lerobot==0.5.1. Bez polja za seme i sa 5 do 6 procenata varijacije između pokretanja, reprodukcija je približna po konstrukciji. i imaju stranu platforme.

Svedeno na dva? ACT protiv GR00T N1.7 i GR00T N1.7 protiv SmolVLA. Sirovi podaci se nalaze u unosima arene: GR00T N1.7, Pi0.5, SmolVLA i ACT.

Gde vam ova platforma ne pomaže

• Ne može ubrzati udaljenu inferenciju. Petlja od 20 do 485 ms pripada modelu; internet povratna putovanja tome doprinose.
• Ne može fino podesiti GR00T ili Pi0.5 na vašem hardveru. Oba su ovde samo u oblaku; samo SmolVLA i ACT rade lokalno.
• Ne može popraviti skup podataka. Gubitak opada, ali politika ne radi ništa je problem sa podacima, politika koja radi samo u jednom podešavanju je problem pokrivenosti.
• Ne može učiniti GR00T pokretanja ponovljivim: uzvodna konfiguracija nema polje za seme.

Odabir jednog i nastavak

Jedna podrazumevana opcija: snimite 50 epizoda, trenirajte ACT za 1 do 3 USD da biste dokazali skup podataka, zatim SmolVLA na istim podacima. Zajedno ispod 6 USD, i oni odgovaraju na pitanje koje je važno: da li pretreniranje pomaže ovde, ili da li je usko grlo u podacima. Eskalirajte na GR00T N1.7 za višestepene zadatke bogate kontaktom, na Pi0.5 kada se scena menja.

Uputstvo za platformu: trenirajte svoju prvu politiku, zatim pokrenite svoju prvu politiku. dokumentacija za obuku i dokumentacija za skupove podataka pokrivaju formu i format; stranica SO-100 i kompletan SO-100 vodič pokrivaju izradu i kalibraciju. Pozadina: pregled VLA i članak o Pi0 flow-matchingu. Onaj koji će poboljšati vašu stopu uspešnosti je vodič za kvalitet podataka.