2026'da Hangi VLA Politikasını Eğitmelisiniz?

Bugün bir SO-100 sınıfı kol üzerinde beş politika eğitilebilir. Çıkarım gecikmesinde 24, parametre sayısında 37 ve bir çalıştırmanın maliyetinde 12 kat farklılık gösterirler ve sonucu gönderip gönderemeyeceğinize göre değişirler. Beş model kartı bunu çözmeyecektir: hiçbiri sizin sorunuzu, yani hangisini önce çalıştırmalıyım sorusunu yanıtlamaz.

Aşağıdaki her sayı Ağustos 2026'da makalelerden, depolardan ve kartlardan okunmuştur. Platform numaraları şuradan alınmıştır: AY-Robots politika kataloğu; ikisi arasında bir uyuşmazlık olduğunda, her ikisi de gösterilir.

Karar tablosu

Beş aday

Beşinin hepsi de politikalarıdır: kamera kareleri, eklem pozisyonları ve, dördü için, gelecekteki eklem hedeflerinin bir bölümüne eşlenen bir dil talimatı. Onları ayıran şey, ne kadarının siz gelmeden önce öğrenilmiş olmasıdır.

GR00T N1.7

NVIDIA'nın mevcut görsel-dil-eylem modeli, yaklaşık 3 milyar parametre, yaklaşık 40 milyon parametre ince ayar sırasında eğitildi. Depo, N1.6'dan farkları listeler: tedarikçi Eagle modelinden Qwen3-VL üzerindeki Cosmos-Reason2-2B'ye omurga, difüzyon katmanları 32'den 16'ya, durum ve eylem boyutları 29'dan 132'ye, eylem ufku 16'dan 40'a.

Küçük bir kolda önemli olan, göreceli uç efektör eylem alanıdır: N1.7, mevcut pozdan farkları tahmin eder; bu da 20 bin saatlik EgoScale insan videosunun bir robot politikasına aktarılmasını sağlar. Özellikler N1.7 sayfasında, prosedür ise SO-100 kılavuzundaki N1.7'de.

GR00T N1.5

Aynı 3 B ölçeği, Eagle 2 omurgası, SigLip2 ve T5, akış eşleşmeli DiT başlığı. Mevcut bir nı genişletmek için mevcuttur. İki şey onu kötü bir varsayılan yapar: ağırlıklar NVIDIA'nın tek yönlü ticari olmayan lisansını taşır ve mevcut LeRobot sürümleri N1.5 desteğini kaldırmıştır. Bkz. .

Pi0.5

Physical Intelligence'ın VLA'sı, politika türü pi05. Makale, PaliGemma'dan başlatılan 2 B VLM ve 300 M'lik bir eylem uzmanı sunar, robotu 50 Hz'de sürer; LeRobot'un pi05 yapılandırması varsayılan olarak 50 adımlık bir parçaya, bu hızda bir saniyeye ayarlanmıştır. Satış noktası, daha önce görülmemiş yerlerdir: gerçek evlerde yaklaşık 400 saatlik mobil manipülasyon ve 3, 12, 22, 53, 82 ve 104 konum üzerinde bir ölçeklendirme çalışması, burada 104 konumlu model, test evlerinin kendilerinde eğitilmiş bir kontrolle eşleşti.

Bir sınırlama, lerobot/pi05_base kartında belirtilmiştir: bağlantı noktası yalnızca akış eşleştirmeli action head taşır. Alt görev tahmini, eylem belirteçleştirme ve RL yukarı akışta yayınlanmadı ve openpi kendi deposu için de aynısını söylüyor. Pi0.5 sayfası ve SO-100 üzerindeki Pi0.5 kılavuzu geri kalanını içerir.

SmolVLA

450 M parametre, eylem uzmanında yaklaşık 100 M, VLM dondurulmuş ve yalnızca ilk 16 dil modeli katmanı kullanılarak SmolVLM-2 üzerinde. Ön eğitim topluluk verileriydi: aynı kullandığınız ucuz kollardan 481 veri kümesi, 10.6 M kare. Burada tek bir 24 GB karta sığan tek VLA ve tek 30 bölüm tabanı. Bkz. SmolVLA sayfası.

ACT

Bir temel model değildir. ALOHA'dan Action Chunking Transformer, yaklaşık 80 M parametreye sahiptir ve her görev için sıfırdan, 50 Hz'de 50 gösterimle eğitilmiştir. Makale, vurguladığı örneklerde %80 ila %90 başarıyla, her biri yaklaşık on dakikalık gösterimlerden altı gerçek iki elle yapılan görevi rapor etmektedir. Fikri, eylem parçalama, bu sayfadaki her modelde mevcuttur ve ablasyonu hala etkiyi en iyi şekilde ölçmektedir: zamansal topluluk kapalıyken iki simüle edilmiş görevde, başarı k=1'de %1'den k=100'de %44'e yükselmektedir. ACT sayfası geri kalanını içerir.

Kıyaslamalar aslında ne diyor

LIBERO, bu beşinden üçünün raporladığı kıyaslamadır: simüle edilmiş bir Franka Panda üzerindeki dil koşullu görevler, her biri on görevden oluşan aşağıdaki dört süite ayrılmıştır. NVIDIA, her süit için 200 deneme gerçekleştirdi.

SimplerEnv, LIBERO'nun göstermediği yayılımı gösteriyor. NVIDIA, N1.7'yi N1.6 ile karşılaştırıyor; bu, bir nesilsel farka en yakın halka açık şeydir.

Bridge satırı kullanışlı olanıdır: put_eggplant_in_basket ortalama 5.7 puan kazanırken 36 kaybetti ve put_eggplant_in_sink 33'ten 2'ye düştü. Yeni bir nesil, dağıtımı yükseltmek yerine hareket ettiriyor, bu nedenle göreviniz N1.7'nin gerilediği yerde bulunuyorsa, ortalama hiçbir şey ifade etmez.

Beşinden sadece SmolVLA makalesi bir SO-100 sınıfı kol hakkında rapor veriyor: SmolVLA için yüzde 78.3 ve üç görevde Pi0 için 61.7, her ikisi de çok görevli, tek görevli eğitilmiş ACT için 48.3'e karşı, ki bu birebir aynı değil. Temiz eşleştirme, SO-101 seç-ve-yerleştir görevinde her ikisi de tek görevli: dağıtımda 70'e karşı 90, dışında 40'a karşı 50. Karşılaştırın: ACT ile SmolVLA ve Pi0.5 ile SmolVLA, veya göz atın: arena.

Gecikme ve maliyet dağıtımı belirler

Çıkarım gecikmesi insanların en son keşfettiği ve ilk pişmanlık duyduğu kısıtlamadır. Bir karşılaştırmada beş puan daha iyi olan ancak eylem adımı başına yarım saniye süren bir politika masanızda daha kötü görünür: temas dinamikleri beklemez.

Bir uyarı: GR00T rakamı, NVIDIA'nın kartıyla çelişiyor; bu kart, 4 gürültü giderme adımı ve bir kamera için H100 üzerinde eager modda 85.8 ms, torch.compile ile 48.6 ms, tam TensorRT ile 27.9 ms süre ölçüyor. Buradaki 152 ms, hizmet verme yükü ve birden fazla kamera içeren tüm yığın için bir rakamdır, bir ileri geçiş değil.

Modeli değiştirmeden zaman kazanmanın bir yolu: SmolVLA makalesi, senkronize yürütmeyi, yani politikanın bir sonraki tahmini yapmadan önce bir bölümü bitirdiği durumu, tahminin yürütmeyle çakıştığı asenkronize duruma karşı ölçüyor. Başarı benzerdir, 78.3'e karşı 73.3, ancak aynı alma-yerleştirme işlemi 13.75 yerine 9.7 saniye sürüyor ve sabit bir pencerede robot 9 yerine 19 döngü yönetiyor.

Lisanslar, kimse kontrol etmediği için kontrol edildi

Pi0.5 satırı dikkat gerektiriyor. LeRobot pi05 dokümantasyonu, openpi ile tutarlı olarak Apache 2.0'ı belirtiyor, oysa Hub kartı lerobot/pi05_base şunu taşıyor license: gemma. Her ikisi de aktif. GR00T N1.7'nin daha hafif bir sürümü var: Isaac-GR00T README'si, N1.7'nin Apache 2.0 altında tamamen ticari olarak lisanslanabilir olduğunu belirtiyor, oysa kendi lisans bölümü ve model kartı, yalnızca kodu Apache 2.0 altında ve ağırlıkları NVIDIA Open Model License altına koyuyor.

Gerçekte çalıştıracağınız varsayılanlar

Her eğitmen formu bir varsayılanla gelir ve bunlar rastgele değildir. ACT'ler LeRobot'un kendisidir: batch 8, lr 1e-5, 100000 eğitim adımları, 100'lük öbek boyutu, yukarı akış ACTConfig ile eşleşen ve k=100 from the ACT paper. Aşağıdaki bir sütun bir tuzaktır.

Model seçiminden daha önemli olan ayar

Bu, eylem öbeğidir. Daha uzun öbekler daha akıcı hareket ve daha az birikimli hata sağlar, ancak öbek yürütülürken ilke taahhüt edildiği için, hareket eden her şeye geç tepki verir: statik bir küpte kendinden emin, yuvarlanan bir küpte ise çaresizdir. Eğer aşarsa, yürütülen kısmı kısaltmak yeniden eğitmeyi yener ve ücretsizdir. Erken duran bir eklem farklı bir sorundur; bkz. .

• ACT: ACTConfig varsayılan olarak chunk_size 100 ve n_action_steps 100 kullanır. Zamansal topluluk kapalıdır ve n_action_steps 1 gerektirir.
• GR00T N1.7: dahili ufuk 16'dan 40'a çıktı, ancak LeRobot'un SO-101 örneği hala --policy.chunk_size=16 --policy.n_action_steps=16 ile çalışıyor. Rollout bayrağı --execution-horizon olarak yeniden adlandırıldı.
• Pi0.5: LeRobot'un LIBERO tarifinin --policy.n_action_steps=10 aracılığıyla 10 adımını yürüttüğü 50 adımlık bir öbek; --policy.pretrained_path ile bayrağı atlarsanız 50'ye geri döner.
• SmolVLA: 50 eylemli öbekler, her iki ayar da açıkta.

Beşini birden bir öğleden sonra nasıl tararsınız?

En ucuz cevap daha fazla okumak değil. Yaklaşık 15 USD harcayın ve kolun size söylemesine izin verin: bir kez kaydedin, önce ucuz modeli eğitin, verilerin sağlam olduğunu kanıtladıktan sonra ölçeği büyütün. Yapı hacmi yener, ve nın amacı budur.

1. 1
   50 bölümü bir kez kaydedin

   GR00T, Pi0.5 ve ACT için 50, SmolVLA için 30 ile zemin hazırlanır. Her varyasyonu yaymak yerine tekrarlayın: 5 küp pozisyonunda 50 bölüm eğitildi, 25'i eğitilmedi. Bkz. ilk veri setinizi kaydedin.

   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
   ACT'yi önce eğitin, çünkü size yalan söyleyemez

   Önceden eğitilmiş ağırlıklar yok, bu yüzden görevi yapıyorsa, veri setiniz görevi içeriyor demektir. ACT düz çizgi çekerse (performans göstermezse), veriyi düzeltin. 24 GB'lık bir kartta 1 ila 3 USD, 2 ila 5 saat.

   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
   SmolVLA'yı aynı veri setinde, değişmeden çalıştırın

   Aynı veri, aynı kol, 80 M yerine 450 M parametre, artı dil koşullandırması. LeRobot, bir A100 üzerinde 20 bin adımlık bir çalıştırmayı yaklaşık 4 saat olarak belirtiyor. Ön eğitimin bir faydası olup olmadığını size söyleyen budur.

   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
   GR00T'ye dokunmadan önce v2.1'e dönüştürün

   GR00T, LeRobot v2 formatının bir çeşidini ve birleştirilmiş durum ve eylem dizilerinin adlandırılmış alanlara nasıl ayrıldığını gösteren ek bir meta/modality.json dosyasını okur. Bir v3.0 veri seti bu yükleyiciyi çökertecektir, çünkü v3.0 birçok bölümü paylaşılan dosyalara paketlerken, v2 her bölüm için bir dosya yazıyordu. Isaac-GR00T, düşürme yardımcısını scripts/lerobot_conversion/convert_v3_to_v2.py olarak sunar; v3 reddetme sayfası hızlı yoldur.

   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
   GR00T N1.7'ye yalnızca ilk ikisi bir şeyler eksik bıraktıysa geçin

   Burada gösterilen NVIDIA CLI'ı aracılığıyla veya LeRobot'un groot politika türüyle. NVIDIA, ince ayar için 40 GB veya daha fazla VRAM, çıkarım için ise 16 GB VRAM önerir. Bir OOM durumunda, OOM sayfasına bakın.

   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

Bu tarama geçişini çalıştırmanın iki yolu

# 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

Temel model veya sıfırdan

Asıl ikilem, hangi 3 B modelini seçeceğimiz değil. Önceden eğitilmiş bir VLA kullanıp kullanmayacağımızdır, zira ACT, her biri yaklaşık on dakikalık gösterimlerden altı gerçek iki elli görevi 80 M parametreyle ve hiçbir ön eğitim olmadan öğrendi.

Eski bir çalıştırmayı yeniden üretme durumu

2025 kontrol noktasını takip etmek, model seçimini sizin için yapar ve sorunu sürüm sabitlemeye dönüştürür: mevcut LeRobot, N1.5'i reddeder, bu yüzden siz lerobot==0.5.1. Tohum alanı olmaması ve çalıştırmalar arasında %5 ila %6 varyans ile , yeniden üretim yapı gereği yaklaşıktır. SO-100'deki N1.5 kılavuzu ve N1.5 politika sayfası platform tarafını içerir.

İki modele mi düştünüz? ACT ile GR00T N1.7 ve GR00T N1.7 ile SmolVLA. Ham veriler arena girişlerinde yer almaktadır: GR00T N1.7, Pi0.5, SmolVLA ve ACT.

Bu platformun size yardımcı olmadığı durumlar

• Uzaktan çıkarımı hızlandıramaz. 20 ila 485 ms'lik döngü modele aittir; internet gidiş-dönüş süreleri buna eklenir.
• GR00T veya Pi0.5'i kendi donanımınızda ince ayar yapamaz. Her ikisi de burada yalnızca bulut tabanlıdır; yalnızca SmolVLA ve ACT yerel olarak çalışır.
• Bir veri kümesini düzeltemez. Kayıp düşüyor ama politika hiçbir şey yapmıyor bir veri sorunudur, yalnızca tek bir kurulumda çalışan bir politika bir kapsama sorunudur.
• GR00T çalıştırmalarını tekrarlanabilir hale getiremez: üst akım yapılandırmasında 'seed' alanı yoktur.

Birini seçip devam etmek

Bir varsayılan: 50 bölüm kaydedin, veri setini kanıtlamak için ACT'yi 1 ila 3 USD karşılığında eğitin, ardından SmolVLA'yı aynı veriler üzerinde. Toplamda 6 USD'nin altında, ve önemli olan soruyu yanıtlıyorlar: ön eğitimin burada yardımcı olup olmadığı, veya darboğazın veri olup olmadığı. Temas yoğun çok adımlı görevler için GR00T N1.7'ye, sahne değiştiğinde Pi0.5'e yükseltin.

Platform tanıtımı: ilk politikanızı eğitin, ardından ilk politikanızı çalıştırın. eğitim belgeleri ve veri seti belgeleri form ve formatı kapsar; SO-100 sayfası ve eksiksiz SO-100 rehberi kurulum ve kalibrasyonu kapsar. Arka plan: VLA genel bakışı ve Pi0 akış eşleştirme makalesi. Başarı oranınızı artıracak olan ise veri kalitesi rehberi.