SO-100 இல் DROID, BridgeData V2 மற்றும் Open X ஐப் பயன்படுத்துதல்

Google Cloud பக்கெட்டில் ஒரு மில்லியன்-பாதை பொதுத் தரவுத்தொகுப்பு உள்ளது மற்றும் ஒரு SO-100 மேசையில் உள்ளது, அதன் பாகங்களின் விலை 110 முதல் 150 EUR ஆகும். முதல் தரவுத்தொகுப்பு இரண்டாவதுக்கு ஏன் கற்றுக்கொடுக்க முடியாது? ஓரளவு முடியும், ஆனால் மக்கள் எதிர்பார்க்கும் இடத்தில் கிட்டத்தட்ட எந்த மாற்றமும் நடக்காது, மேலும் எளிதானதாகத் தோன்றும் பகுதி வேலை செய்யவே செய்யாது.

பின்வருபவை: உள்ளே என்ன இருக்கிறது DROID, BridgeData V2 மற்றும் Open X-Embodiment, அங்கு ஒவ்வொன்றும் ஒரு குறைந்த விலை 5-DoF கைடன் மோதுகிறது, அதற்கு பதிலாக என்ன செய்ய வேண்டும். கீழே உள்ள ஒவ்வொரு எண்ணும் அது சார்ந்த கட்டுரை, தரவுத்தொகுப்பு அட்டை அல்லது மூலக் கோப்பிலிருந்து வந்தது.

மூன்று தரவுத்தொகுப்புகளும் உண்மையில் என்ன கொண்டிருக்கின்றன

DROID

மூன்றில் மிகவும் தரப்படுத்தப்பட்டது. எல்லா இடங்களிலும் ஒரே அமைப்பு: ஒரு Franka Panda, Robotiq 2F-85 கிரிப்பருடன், இரண்டு சரிசெய்யக்கூடிய ZED 2 ஸ்டீரியோ கேமராக்கள் மற்றும் ஒரு மணிக்கட்டு ZED Mini, Meta Quest 2 கன்ட்ரோலர்கள் மூலம் தொலை இயக்கப்பட்டது, Polymetis வழியாக 15 Hz இல் கூட்டு மற்றும் இறுதி-செயல்பாட்டாளர் இடைவெளியில் பதிவு செய்யப்பட்டது. மொழி லேபிள்கள் பின்னர் tasq.ai வழியாக வந்தன, ஒவ்வொரு எபிசோடிற்கு மூன்று வரை.

• 76k தடங்கள், 350 மணிநேரம், 564 காட்சிகள், 84 பணிகள், மூன்று கண்டங்களில் 50 சேகரிப்பாளர்கள்.
• முக்கிய முடிவு தனித்த பயிற்சி அல்ல, மாறாக இணைப் பயிற்சி: களத்தில் உள்ள விளக்கங்களுடன் 50/50 கலக்கப்பட்ட தொகுதிகள், அடுத்த சிறந்த முறையை விநியோகத்தில் 22 சதவீத முழுமையான வெற்றியாலும், அதற்கு வெளியே 17 சதவீதத்தாலும் விஞ்சின.
• IPEC-COMMUNITY/droid_lerobot: 92,233 அத்தியாயங்கள், 27,044,326 பிரேம்கள், franka, 15 fps, codebase_version v2.0, 180x320 இல் மூன்று AV1 ஸ்ட்ரீம்கள், 392 GB.
• 2 GB, 100 அத்தியாயங்கள் கொண்ட பிழைத்திருத்த மாதிரி gs://gresearch/robotics/droid_100 இல் உள்ளது. அங்கிருந்து தொடங்கவும்.

பிரிட்ஜ்டேட்டா V2

ஒரு பொழுதுபோக்கு அமைப்பிற்கு மிக அருகில்: ஒரு WidowX 250 6-DoF கை, 24 சூழல்கள் மற்றும் 13 திறன்களில் 5 Hz இல் 60,096 தடங்கள். கலவையை கவனிக்கவும்: 50,365 நிபுணர் தொலைதூர இயக்க விளக்கங்கள் மற்றும் சீரற்ற ஸ்கிரிப்ட் செய்யப்பட்ட பிக்-அண்ட்-பிளேஸ் கொள்கையிலிருந்து 9,731, எனவே சுமார் 16 சதவீதம் மனித விளக்கங்கள் அல்ல, இது முக்கியமானது அனுபவக் கற்றல் தரம். வழக்கமான பதிவிறக்கம், IPEC-COMMUNITY/bridge_orig_lerobot, 53,192 அத்தியாயங்கள் மற்றும் 1,893,026 பிரேம்களை 5 fps இல், robot_type widowx: கட்டுரையின் 60,096 ஐ விடக் குறைவாக இருப்பதாகக் கூறுகிறது, எனவே meta/info.json இலிருந்து எண்ணிக்கையைப் படிக்கவும், இரண்டையும் மேற்கோள் காட்ட வேண்டாம்.

ஓப்பன் எக்ஸ்-எம்பாடிமென்ட்

அதே அர்த்தத்தில் ஒரு தரவுத்தொகுப்பு அல்ல: 34 ஆய்வகங்களில் இருந்து 60 ஏற்கனவே உள்ள ரோபோ தரவுத்தொகுப்புகள் ஒரு RLDS தொகுப்பில் சேர்க்கப்பட்டு, 22 உருவகங்கள் மற்றும் ஒரு மில்லியனுக்கும் அதிகமான பாதைகளை உள்ளடக்கியது. BridgeData V2 ஆனது bridge_orig ஆக அதற்குள் உள்ளது; google_robot ஸ்லைஸ், fractal20220817_data, 3 fps இல் 87,212 எபிசோடுகளாக மாற்றப்படுகிறது.

இந்த தொகுப்பில் ஒரு எச்சரிக்கை உள்ளது, அதை ஆய்வுக் கட்டுரை வெளிப்படையாகக் கூறுகிறது. RT-X சோதனைகளுக்காக, ஆசிரியர்கள் ஒவ்வொரு மூலத்தையும் 7-DoF எண்ட்-எஃபெக்டர் செயலாக மாற்றுகிறார்கள், ஆனால் தரவுத்தொகுப்புகள் முழுவதும் ஒருங்கிணைப்பு சட்டகங்களை சீரமைக்கவில்லை, மேலும் ஒவ்வொரு ரோபோவின் அசல் கட்டுப்பாட்டு திட்டத்தின்படி, செயல் மதிப்புகள் முழுமையான அல்லது சார்பு நிலைகள் அல்லது வேகங்களாக இருக்க அனுமதிக்கின்றன. அவர்களின் முடிவு: ஒரே செயல் திசையன் வெவ்வேறு ரோபோக்களுக்கு மிகவும் மாறுபட்ட இயக்கங்களைத் தூண்டலாம்.

பொருந்தாமை, நான்கு பாகங்களில்

உடல் உருவப் பொருத்தமின்மை பொதுவாக ஒரு தெளிவற்ற பிரச்சனையாகக் கருதப்படுகிறது. இது நான்கு வகையாகும், அவை வெவ்வேறு விதமாகத் தோல்வியடைகின்றன, மேலும் இரண்டை ஸ்கிரிப்டிங் மூலம் சரிசெய்ய முடியாது.

1. சுதந்திரத்தின் நிலைகள்

ஒரு SO-100 ஐந்து கை மூட்டுகளையும் ஒரு கிரிப்பரையும் கொண்டுள்ளது. மோட்டர்களாகக் கணக்கிட்டால் அது ஒரு 6-DoF கை ஆகும், மேலும் SmolVLA ஆய்வுக் கட்டுரை அதை அப்படித்தான் குறிப்பிடுகிறது; நிலைநிறுத்தும் பொறிமுறையாகக் கணக்கிட்டால் அது 5-DoF ஆகும், மேலும் LeRobot அதன் தலைகீழ்-இயக்கவியல் டாக்ஸ்ட்ரிங்கில் அதை அப்படித்தான் குறிப்பிடுகிறது, இது 5-DOF SO-101 இல் மென்மையான-திசை IK ஐ விவரிக்கிறது, அங்கு மணிக்கட்டு திசையை ஓரளவு மட்டுமே கண்காணிக்கிறது. ஒரு Franka ஏழு நிலைநிறுத்தும் மூட்டுகளைக் கொண்டுள்ளது. அந்த இடைவெளி எந்த நிலைகள் உள்ளன என்பதை தீர்மானிக்கிறது: ஒரு 5-DoF கை பொதுவாக ஒரு தன்னிச்சையான நிலை மற்றும் திசையை ஒரே நேரத்தில் அடைய முடியாது, எனவே தீர்வு காண்பவர் முடிந்தவரை நெருக்கமானதை வழங்குகிறது, இது நிரூபிக்கப்பட்ட இயக்கத்திலிருந்து வேறுபட்டது. பின்னணி: .

# src/lerobot/robots/so_follower/so_follower.py
motors = {
    "shoulder_pan":  Motor(1, "sts3215", norm_mode_body),
    "shoulder_lift": Motor(2, "sts3215", norm_mode_body),
    "elbow_flex":    Motor(3, "sts3215", norm_mode_body),
    "wrist_flex":    Motor(4, "sts3215", norm_mode_body),
    "wrist_roll":    Motor(5, "sts3215", norm_mode_body),
    "gripper":       Motor(6, "sts3215", MotorNormMode.RANGE_0_100),
}
# action keys are "<motor>.pos"; send_action sync_writes them to
# "Goal_Position"  ->  a 6-D ABSOLUTE JOINT POSITION command


# openpi/src/openpi/policies/droid_policy.py
def make_droid_example() -> dict:
    return {
        "observation/exterior_image_1_left": np.random.randint(256, size=(224, 224, 3), dtype=np.uint8),
        "observation/wrist_image_left":      np.random.randint(256, size=(224, 224, 3), dtype=np.uint8),
        "observation/joint_position":        np.random.rand(7),   # seven Franka joints
        "observation/gripper_position":      np.random.rand(1),
        "prompt": "do something",
    }
# state = concat(joint_position, gripper_pos)  ->  8-D

ஆகவே, ஒரு ஆயத்த DROID செக்பாயிண்ட் ஒரு குறுக்குவழி அல்ல. Physical Intelligence ஆனது pi05_droid ஐ gs://openpi-assets/checkpoints/pi05_droid இல் வழங்குகிறது, மற்றும் அதன் பரந்த தன்மையைப் பாராட்டும் அதே README, இந்த நிபுணத்துவ செக்பாயிண்ட்கள் உங்கள் அமைப்பிற்குப் பொதுமைப்படுத்தப்படாமல் போகலாம் என்று எச்சரிக்கிறது. அதன் நிலை எட்டு Franka கூட்டு எண்கள் மற்றும் அதன் பட விசைகள் exterior_image_1_left மற்றும் wrist_image_left ஆகும். எந்தக் கொடியும் அதை ஆறு-மோட்டார் SO-100 கட்டளையாக மாற்றாது.

2. செயல் திசையன் உண்மையில் என்ன சொல்கிறது

பரிமாணத்தன்மையை விட ஆழமானது. LeRobot மாற்றங்களில், மூன்றுமே கிரிப்பர் எங்கு செல்ல வேண்டும் என்பதை கார்ட்டீசியன் வெளியில் கூறுகின்றன. ஒரு SO-100 ஆறு சர்வோக்கள் எங்கு செல்ல வேண்டும் என்று கூறுகிறது. மாற்றுவதற்கு ஒரு இயக்கவியல் மாதிரி மற்றும் ஒரு தீர்வு தேவை, மறுவடிவமைப்பு அல்ல.

LeRobot விடுபட்ட பகுதியை வழங்குகிறது: SO follower ஆனது InverseKinematicsEEToJoints மற்றும் ForwardKinematicsJointsToEE படிகளைக் கொண்ட ஒரு இயக்கவியல் செயலியைக் கொண்டுள்ளது. அதன் கீகள் ee.x, ee.y, ee.z மற்றும் ஒரு சுழற்சி வெக்டர் ee.wx, ee.wy, ee.wz மற்றும் ee.gripper_pos ஆகும், எனவே கோப்புகளில் உள்ள roll-pitch-yaw-லிருந்து ஓரியண்டேஷன் என்கோடிங் கூட வேறுபடுகிறது. IK படி ஒரு orientation_weight-ஐ எடுத்துக்கொள்கிறது, இயல்புநிலை 0.01 ஆகும், அதன் docstring ஆனது under-actuated arms-ல் position-only IK-க்கு 0.0 என அமைக்க வேண்டும் என்று கூறுகிறது. நீங்கள் பாலத்தை உருவாக்கலாம், ஆனால் கடன் வாங்கப்பட்ட ஒவ்வொரு செயலின் ஓரியண்டேஷன் பாதி தோராயமாகவே இருக்கும்.

3. கட்டுப்பாட்டு விகிதம்

DROID 15 Hz, BridgeData V2 5 Hz, google_robot ஸ்லைஸ் 3 fps; pi0-ன் ஆசிரியர்கள் தங்கள் கலவையின் ஓப்பன் சோர்ஸ் பகுதியை 2 மற்றும் 10 Hz-க்கு இடையில் குறைந்த அதிர்வெண் கட்டுப்பாடு என்று விவரிக்கிறார்கள். LeRobot-ன் DatasetRecordConfig ஆனது இயல்புநிலையாக fps 30, episode_time_s 60, reset_time_s 60, num_episodes 50 என உள்ளது. 5 Hz தரவுகளில் பயிற்சி பெற்ற ஒரு ஒரு செயல் 200 ms-ஐ உள்ளடக்கியது என்று கற்றுக்கொண்டது. அதை 30 Hz-ல் மீண்டும் இயக்கினால் கை ஊர்ந்து செல்லும்; அப்பாவியாக மீண்டும் மாதிரி எடுத்தால், கிரிப்பர் மூடும் பிரேமை நீங்கள் சிதைத்துவிடுவீர்கள். இது உடன் மோசமாக செயல்படுகிறது: ஒரு 100-படி துண்டு 5 Hz-ல் 20 வினாடிகள், 30 Hz-ல் 3.3 வினாடிகள்.

4. கேமராக்கள்

BridgeData V2 ஆனது ஒவ்வொரு 50 பாதைகளுக்கும் இரண்டு கேமரா நிலைகளை சீரற்றதாக்கியது, மேலும் அதன் திட்டப் பக்கம் பெரும்பாலான தரவுகள் நிலையான காட்சியை மட்டுமே கொண்டுள்ளன என்பதைக் குறிப்பிடுகிறது. DROID ஆனது சரிசெய்யக்கூடிய ZED 2 மவுண்ட்கள் மற்றும் ஒரு மணிக்கட்டு ZED மினியைப் பயன்படுத்தியது. நீங்கள் இரண்டு USB வெப்கேமராக்களை கண்ணால் நிலைநிறுத்தியுள்ளீர்கள். கேமரா நிலை ஒரு தொந்தரவான மாறி அல்ல ; இது காட்சி குறியாக்கி முக்கியமாக கவனம் செலுத்தியவற்றில் பெரும்பாலானவை, மேலும் கோப்பு வடிவத்தில் எதுவும் நிலைகள் வேறுபடுகின்றன என்று உங்களுக்குச் சொல்லவில்லை.

நீங்கள் எப்படியும் தரவை ஒன்றிணைக்க முயற்சிக்கும்போது என்ன நடக்கும்

தெளிவான திட்டம் என்னவென்றால், சில ஆயிரம் DROID எபிசோட்களுடன் உங்கள் 50 எபிசோட்களை இணைப்பதுதான். LeRobot மறுக்கிறது, மேலும் அந்த மறுப்பு வேறுபடும் மூன்று விஷயங்களைக் குறிப்பிடுகிறது.

1. 1
   முழு 1.7 TB ஐ அல்லாமல், 100 எபிசோட் மாதிரியைப் பதிவிறக்கவும்

   கட்டமைப்பைப் பார்க்க 2 GB போதுமானது.

   bash

   pip install gsutil tensorflow tensorflow-datasets
   gsutil -m cp -r gs://gresearch/robotics/droid_100 ~/tensorflow_datasets/

2. 2
   RLDS ஐ LeRobot வடிவத்திற்கு மாற்றவும்

   openx2lerobot ஆனது OXE நிலையான மாற்றங்களை உள்ளடக்கியது மற்றும் ரோபோ வகை மற்றும் கட்டுப்பாட்டு அதிர்வெண்ணைக் குறிக்கிறது. README இதை convert.sh இல் குறிப்பிடுகிறது.

   bash

   git clone https://github.com/Tavish9/any4lerobot.git
   cd any4lerobot/openx2lerobot
   
   python openx_rlds.py \
       --raw-dir ~/tensorflow_datasets/droid_100/1.0.0 \
       --local-dir ~/lerobot_droid100 \
       --repo-id you/droid100_lerobot \
       --use-videos

3. 3
   மற்ற எதற்கும் முன் meta/info.json ஐப் படிக்கவும்

   உங்கள் நாளின் மீதிப் பகுதி செயல்படுகிறதா என்பதை இந்த கோப்பு தீர்மானிக்கிறது.

   bash

   python -c "import json;d=json.load(open('meta/info.json'));\
   print(d['codebase_version'], d['robot_type'], d['fps']);\
   print(d['features']['action']['shape'], d['features']['observation.state']['shape'])"

4. 4
   இணைப்பை முயற்சி செய்து பிழையைப் படிக்கவும்

   merge ஆனது ஒவ்வொரு தரவுத்தொகுப்பையும் ஏற்றுகிறது, பின்னர் validate_all_metadata ஆனது fps, robot_type மற்றும் அம்சங்களை பட்டியலில் உள்ள முதல் தரவுத்தொகுப்புடன் சரிபார்க்கிறது, முதல் பொருந்தாத தன்மையில் பிழையை எழுப்புகிறது.

   bash

   lerobot-edit-dataset \
       --new_repo_id you/mixed \
       --operation.type merge \
       --operation.repo_ids "['you/droid100_lerobot', 'you/my_so100_task']"
   
   # ValueError: Same fps is expected, but got fps=30 instead of 15.

குறிப்பு மதிப்புகள் நீங்கள் முதலில் பட்டியலிட்ட தரவுத்தொகுப்பிலிருந்து வருகின்றன, அதனால்தான் செய்தி DROID இன் 15 fps ஐப் பற்றி அல்லாமல் உங்கள் 30 fps ஐப் பற்றி புகார் செய்கிறது. fps ஐ சரிசெய்தால், robot_type சரிபார்ப்பை எதிர்கொள்வீர்கள்; அதை சரிசெய்தால், அம்ச சரிபார்ப்பை எதிர்கொள்வீர்கள், செயலுக்கு 6 க்கு எதிராக 7. எந்த வரிசைப்படுத்தலும் ஏற்கப்படாது, மேலும் sanity_check_dataset_robot_compatibility வழியாக பதிவு செய்யும் நேரத்தில் அதே பாதுகாப்புச் சரிபார்ப்பு இயங்கும்.

உண்மையில் என்ன மாற்றப்படுகிறது?

எடை மதிப்புகள், எபிசோடுகள் அல்ல. ஒவ்வொரு நவீன பொதுவான கொள்கையும் முன்-பயிற்சியில் சிலவற்றை உள்வாங்கிக் கொண்டது, மேலும் நீங்கள் வெளியிடப்பட்ட ஒரு இலிருந்து செய்யும்போது, அதைச் சரியாகச் செய்யத் தேவையான கணக்கீட்டுத் திறன் கொண்டவர்களால் ஏற்கனவே சரிசெய்யப்பட்டதை நீங்கள் பெறுகிறீர்கள். pi0 இன் ஆய்வறிக்கை விகிதம் குறித்து வெளிப்படையாக உள்ளது: அதன் முன்-பயிற்சி கலவையின் 9.1 சதவீதம், நேரப்படிகளில் கணக்கிடப்படும்போது, OXE, Bridge v2 மற்றும் DROID உள்ளிட்ட திறந்த மூலத் தரவுகளாகும். இந்த எண்ணிக்கை pi0 இன் கணக்கீடு; ஒவ்வொரு விற்பனையாளரின் கலவையும் வேறுபடும்.

இதனால்தான் SmolVLA குறைந்த விலை கையில் வித்தியாசமாக செயல்படுகிறது. அதன் ஆய்வுக் கட்டுரை Hugging Face இலிருந்து 481 சமூக தரவுத்தொகுப்புகளைத் தேர்ந்தெடுக்கிறது, அவை உடல் வகை, எபிசோட் எண்ணிக்கை, தரவுத் தரம் மற்றும் பிரேம் கவரேஜ் ஆகியவற்றின் அடிப்படையில் வடிகட்டப்படுகின்றன: 22.9K எபிசோடுகள், 10.6M பிரேம்கள், உண்மையான SO-100 மற்றும் SO-101 கைகளில் மதிப்பீடு செய்யப்பட்டன. சிறிய மற்றும் பொருத்தமானவை பெரிய மற்றும் பொருந்தாதவற்றை வெல்லும். ஒப்பிடுக: ACT எதிராக SmolVLA.

மேற்கொள்ள வேண்டிய மூன்று வழிகள்

வழி A: ஏற்கனவே தரவை உட்கொண்ட ஒரு செக்பாயிண்டிலிருந்து ஃபைன்-ட்யூன் செய்தல்

பெரும்பாலான மக்கள் இதைத் தேர்ந்தெடுக்க வேண்டும். நீங்கள் DROID அல்லது Open X-Embodiment ஐ ஒருபோதும் தொடக்கூடாது: குறுக்கு-உடல் தரவை ஏற்கனவே உறிஞ்சிய ஒரு கொள்கையைத் தேர்ந்தெடுத்து, உங்கள் சொந்த எபிசோடுகளைப் பதிவுசெய்து, ஃபைன்-ட்யூன் செய்யுங்கள்.

ACT ஒரு நேர்மையான விளிம்பு நிலை: அடிப்படை மாதிரி இல்லாததால், பொதுத் தரவு எதுவும் அதை அடைவதில்லை. இது தானாகவே ஒரு குறைபாடு அல்ல, ஏனெனில் ஒரு செயல் படிக்கு 20 மில்லி விநாடிகளில், இது ஒரு வேகமான சுழற்சியை முடிக்கக்கூடிய ஐந்து மாதிரிகளில் இது மட்டுமே, ACT பக்கம், விளக்குகிறது. பணியின் அடிப்படையில் தேர்வு செய்ய ஐந்து மாதிரிகளும் ஒப்பிடப்பட்டுள்ளன, GR00T N1.7 against Pi0.5, மற்றும் 85 மாதிரிகளில் 332 பெஞ்ச்மார்க் முடிவுகள் அரங்கில்.

பாதை B: DROID ஐ ஒரு சோதனை சாதனமாகப் பயன்படுத்துதல்

100-எபிசோட் மாதிரி இந்த மாதம் நீங்கள் பதிவிறக்கும் சிறந்த 2 GB ஆகும், இது பயிற்சிக்கு அல்ல. இது சரியான தரவுத்தொகுப்பு என்று உங்களுக்குத் தெரியும். உங்கள் மாற்றி, லோடர் மற்றும் ஒரு சிறிய GPU வேலையை இதில் இயக்கவும்; தோல்வியுற்ற எதுவும் மலிவாக இருக்கும்போதே கண்டறியப்பட்ட ஒரு உள்கட்டமைப்பு பிழை ஆகும். NVIDIA பெரிய அளவில் இதையே செய்கிறது: GR00T N1.7 கார்டு சிம்பிளர்என்வ், பிரிட்ஜ் மற்றும் ஃபிராக்டல், DROID மற்றும் LIBERO க்கான நான்கு பயிற்சிக்குப் பிந்தைய வகைகளை பட்டியலிடுகிறது.

பாதை C: உங்களுடையதை, வேண்டுமென்றே பதிவு செய்யவும்

முப்பது முதல் ஐம்பது 76,000 க்கு அடுத்ததாக இது சிறியதாகத் தோன்றலாம், ஆனால் உங்களுடையது மட்டுமே உங்கள் கை, உங்கள் கேமராக்கள் மற்றும் உங்கள் மேசையுடன் இருப்பதை நீங்கள் நினைவில் கொள்ள வேண்டும். LeRobot இன் இயல்புநிலைகளில், 50 எபிசோடுகள் 100 நிமிடங்கள் ஆகும். காண்க , மற்றும் .

பொதுத் தரவுகளிலிருந்து செயல்படும் கொள்கைக்குச் செல்ல இரண்டு வழிகள்

ஒவ்வொரு பாதையின் செலவு

அசமச்சீர்மைதான் முக்கியம்: அதிக தரவுகளைப் பயன்படுத்தும் பாதை மிகவும் விலை உயர்ந்தது மற்றும் உங்கள் கையை நகர்த்துவதற்கான வாய்ப்பு குறைவு. உங்கள் சொந்த இரண்டு மணி நேரத்திற்கும் குறைவான டெலிஆபரேஷன் என்பது மற்றவர்களின் ஃபிராங்காவின் ஒரு டெராபைட்டை விட சிறந்தது. இன்னும் கை இல்லையா? /live பதிவு இல்லாமல் ஒரு இயற்பியல் SO-100 ஐ ஸ்ட்ரீம் செய்கிறது. பின்னர் உங்கள் முதல் கொள்கையைப் பயிற்றுவிக்கவும், மற்றும் SO-100 இல் SmolVLA குறிப்பிட்ட வழிகாட்டிக்கு.