Вартість навчання VLA: Скільки насправді коштує один запуск доналаштування

Рахунок має чотири рядки, і GPU — найменший з них

Коли люди запитують, скільки коштує доналаштування моделі зору-мови-дії для SO-100, вони майже завжди мають на увазі оренду GPU. Це число, яке відображається як списання з картки, тому воно здається реальним. Це також, з великим відривом, найменше з чотирьох чисел, які визначають, скільки насправді коштує робоча політика насправді коштує вам.

Час навчання, наведений нижче, взято з власних статей та репозиторіїв п'яти моделей, вартість обладнання – з опублікованих специфікацій, а номери платформ – з AY-Robots каталогу політик та сторінки цін. Якщо платформа не допомагає, про це зазначено в цій статті.

Скільки насправді коштує година GPU на спотовому ринку

Немає єдиної ціни за годину A100. На маркетплейсі, такому як vast.ai, кожен хост встановлює свою власну ставку, і запуск навчання, який ви запускаєте, потрапляє на ту машину, яка є дешевою та вільною в ту секунду. Чесна відповідь – це розподіл. Ось він, виміряний 23 серпня 2026 року о 13:44 UTC: окремі повні карти, за запитом, відфільтровані за реальною VRAM.

# Live, full-card, single-GPU, on-demand offers from the vast.ai public bundle API.
# No account and no API key needed. gpu_ram is in MB, so an 80 GB card is >= 80000.
python3 - <<'PY'
import json, statistics, urllib.parse, urllib.request

def offers(name, min_ram):
    q = {"rentable": {"eq": True}, "num_gpus": {"eq": 1}, "gpu_name": {"eq": name},
         "order": [["dph_total", "asc"]], "limit": 500, "type": "on-demand"}
    url = "https://console.vast.ai/api/v0/bundles/?q=" + urllib.parse.quote(json.dumps(q))
    with urllib.request.urlopen(url, timeout=60) as r:
        return [o for o in json.load(r)["offers"]
                if o["gpu_frac"] == 1.0 and o["gpu_ram"] >= min_ram]

groups = {
    "RTX 4090 24 GB": (["RTX 4090"], 24000),
    "RTX 5090 32 GB": (["RTX 5090"], 30000),
    "A100 80 GB":     (["A100 PCIE", "A100 SXM4"], 80000),
    "H100 80 GB":     (["H100 SXM", "H100 PCIE"], 80000),
    "H100 NVL 94 GB": (["H100 NVL"], 90000),
}
for label, (names, min_ram) in groups.items():
    o = [x for n in names for x in offers(n, min_ram)]
    if not o:
        print(label, "no offers"); continue
    p = sorted(x["dph_total"] for x in o)
    b = sorted(x["min_bid"] for x in o if x.get("min_bid"))
    bid = f"{b[0]:.2f}" if b else "n/a"
    print(f'{label}: n={len(p)} | {p[0]:.2f} / {statistics.median(p):.2f} / {p[-1]:.2f}'
          f' USD/h | bid floor {bid}')
PY

Чому моделі 3B не можуть використовувати дешеву карту

Година роботи 4090 та година роботи H100 80 GB відрізняються приблизно в шість разів за вищезгаданими медіанами. Те, що змушує вас використовувати дорогу карту, — це не швидкість, а пам'ять. openpi встановлює мінімальний поріг для повного Pi0.5 на рівні 70 GB, а NVIDIA рекомендує 40 GB або більше для GR00T. Зверніть увагу, чим не є число GR00T. Його конфігурація тонкого налаштування за замовчуванням заморожує мовну модель та візуальний кодер (tune_llm та tune_visual є False, а проектор і дифузійна головка True), тому каталог вказує приблизно 40 M навчених параметрів з 3 B. 40 GB — це не стан оптимізатора для 3 B ваг, це заморожений бекбон плюс активації. Варіанти зі зменшеним обсягом вимагають менше: шлях LoRA від openpi потребує 22.5 GB і називає 4090, а робочий процес Isaac Lab Arena від NVIDIA пропонує опцію з однією GPU на 24 GB для GR00T після навчання. Платформа розподіляє рівні на основі мінімальних вимог, які кожен постачальник публікує для конфігурації, що фактично працює. пояснює, звідки береться цей слід.

Ця таблиця пояснює, чому платформа розділяє п'ять моделей на два рівні. , та працюють на A100 80 GB або H100, оскільки саме це вимагають постачальники. та працюють на RTX 4090 або будь-якій карті з 24 GB, оскільки цього справді достатньо.

Скільки часу фактично працює кожна з п'яти моделей

Час виконання — це інша половина вартості: 2.00 USD за годину не має значення, якщо робота триває 40 хвилин, і є руйнівним, якщо вона триває 40 годин. Це типові налаштування, які AY-Robots надсилає тренеру, із вікном виконання та вартістю для кожного рівня.

Звідки беруться ці вікна виконання вище за течією

• SmolVLA: документація lerobot стверджує, що 20 000 кроків займає приблизно 4 години на одній A100. Платформа виконує ті ж 20 000 кроків на дешевшому рівні 24 ГБ, отже, це вікно, а не фіксовані 4 години.
• ACT: оригінальна стаття ALOHA повідомляє близько 5 годин на одній 11 ГБ RTX 2080 Ti для моделі з 80 мільйонами параметрів. 4090 є на кілька поколінь новішою, але платформа виділяє 100 000 кроків, тому вікно потрапляє в те саме місце.
• GR00T: еталонний робочий процес NVIDIA для покоління N1.6 вказує приблизно 4-8 годин для 20 000 кроків з розміром пакету 24 на восьми картах L40S, і 2-3 години для 30 000 кроків з розміром пакету 16 на одній Ada 6000. Тонке налаштування 3B VLA на одній карті за кілька годин є нормальним, а не оптимістичним.
• Pi0.5: openpi не публікує даних про реальний час, але публікує мінімальний обсяг 70 ГБ для повного тонкого налаштування, що визначає карту і, отже, швидкість.

Варто зупинитися на цифрі, за яку ви не платите. Стаття GR00T N1 повідомляє про приблизно 50 000 годин роботи GPU H100 для попереднього навчання моделі 2.2B на кластері до 1024 GPU, з розміром пакету попереднього навчання 16 384 для 200 000 кроків градієнта. За ціною від 1.34 до 2.34 USD за годину, виміряною вище, це становить приблизно від 67 000 до 117 000 USD орендованих обчислювальних потужностей. Стаття SmolVLA оцінює свій проект приблизно в 30 000 годин роботи GPU на 481 громадському наборі даних, 22.9K епізодах та 10.6M кадрах. Ви успадковуєте все це за ціною завантаження; ваші 8 USD купують останні 20 000 кроків. Чому VLA створюються таким чином охоплює цей поділ.

Маніпулятор: одноразова вартість, яка затьмарює рахунок за GPU

Запуск навчання коштує менше обіду. Робот — ні. Ось чому SO-100 має значення: це найдешевший маніпулятор, який підтримує весь навчання через імітацію інструментарій.

Вихідна специфікація матеріалів у репозиторії SO-ARM100 є більш детальною і її варто перевірити відповідно до вашого регіону: її список Деталі для двох маніпуляторів становить 229.88 USD або 226.30 EUR для конфігурації «лідер плюс послідовник», а її список Деталі для одного маніпулятора-послідовника становить 121.94 USD або 124.30 EUR. Шість сервоприводів STS3215 по 13.89 USD кожен складають 83.34 з цих 121.94, отже, сервоприводи — це і є маніпулятор. При вартості від 1 до 3 USD за один запуск SmolVLA або ACT, одна пара маніпуляторів коштує від 77 до 230 навчальних запусків. Якщо ви все ще обираєте, SO-100 проти SO-101 — це порівняння, яке має значення, оскільки ці два маніпулятори настільки схожі, що рішення залежить від доступності, а не від можливостей.

Людські години: рядок, який ніхто не вносить у таблицю

Це число, яке перевертає обговорення вартості з ніг на голову. Запис демонстрацій — це людина, яка рухає роботизованою рукою, по одному епізоду за раз, у реальному часі. Немає можливості пакетної обробки або оренди посекундно. Набір даних LeRobot рекордер постачається з налаштуваннями за замовчуванням, які спрощують арифметику, усі три підтверджені в DatasetRecordConfig: 60 секунд на епізод, 60 секунд на скидання сцени, 50 епізодів. Графа «гроші» нижче передбачає 15 USD за годину чиєїсь роботи, що є припущенням, а не числом платформи. Підставте свою власну ставку; суть у співвідношенні.

1. 1
   Запишіть набір даних зі стандартними налаштуваннями, за які ви фактично будете платити

   Це lerobot 0.6.1, версія на PyPI станом на 3 серпня 2026 року. Зверніть увагу на форму CLI: запис виконується через точку входу консолі lerobot-record (lerobot.scripts.lerobot_record), а не через старий шлях модуля python -m lerobot.scripts.record. AY-Robots орієнтується на 0.5.1, і пакет 0.5.1 оголошує ті ж точки входу lerobot-record та lerobot-train, тому форма нижче є стабільною для обох. Три прапорці часу є стандартними значеннями, тому це також команда, яку передбачає арифметика в наступній таблиці.

   bash

   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} }" \
       --teleop.type=so100_leader \
       --teleop.port=/dev/ttyACM1 \
       --teleop.id=my_leader_arm \
       --dataset.repo_id=${HF_USER}/pick-place-cube \
       --dataset.num_episodes=50 \
       --dataset.episode_time_s=60 \
       --dataset.reset_time_s=60 \
       --dataset.single_task="Grab the black cube and put it in the bin"

2. 2
   Подивіться, що ви записали, перш ніж орендувати хоча б одну хвилину GPU

   Перевірка набору даних коштує нуль USD за годину. Виявлення тієї ж проблеми за кривою втрат коштує 2.00 USD за годину на рівні H100 і повідомляє вам про це на чотири години пізніше. Завантажте набір даних і перегляньте його у переглядачі LeRobot, або перегляньте каталог наборів даних AY-Robots.

   bash

   # the recorder pushes to the Hub by default; disable with --dataset.push_to_hub=False
   echo https://huggingface.co/datasets/${HF_USER}/pick-place-cube
   
   # then open https://huggingface.co/spaces/lerobot/visualize_dataset
   # and scrub through episodes: are both camera streams alive on every episode?
   # is the gripper actually closing? does the arm sit at a joint limit?

3. 3
   Навчайте, і переконайтеся, що контрольна точка переживе под

   Орендована машина за визначенням є тимчасовою, тому записуйте контрольні точки десь у надійне місце під час виконання. Два прапорці вирішують, чи збережете ви те, за що заплатили. --save_freq за замовчуванням становить 20 000 кроків, тому стандартний запуск SmolVLA на 20 000 кроків записує свою першу контрольну точку, коли виконання вже завершено; зменшіть його, перш ніж орендувати щось, що може бути перервано. --save_checkpoint_to_hub вимагає --policy.repo_id і не існує в lerobot 0.5.1, тому в цій версії ви копіюєте вихідний каталог з машини самостійно. Розмір пакету нижче є прикладом з документації; форма AY-Robots надсилає 2 для SmolVLA і записує в об'єктне сховище по мірі появи контрольних точок.

   bash

   lerobot-train \
       --policy.path=lerobot/smolvla_base \
       --dataset.repo_id=${HF_USER}/pick-place-cube \
       --batch_size=64 \
       --steps=20000 \
       --save_freq=2000 \
       --output_dir=outputs/train/my_smolvla \
       --job_name=my_smolvla_training \
       --policy.device=cuda \
       --policy.repo_id=${HF_USER}/my_smolvla \
       --save_checkpoint_to_hub=true

Порівняйте правий стовпець з вартістю запуску від 1 до 12 USD. За такої передбачуваної ставки, набір даних з 50 епізодів коштує в два-сім разів дорожче для запису, ніж для навчання, до калібрування, налаштування камери та епізодів, які ви відкидаєте. Ось чому має пряму грошову цінність. Посібник lerobot пропонує щонайменше 50 епізодів по 10 на кожне місце розташування об'єкта; документація SmolVLA повідомляє, що версії того ж завдання з 25 епізодів було недостатньо.

Куди насправді зникають гроші

1. Запуски на даних, які ніколи не спрацювали б

Запуск GR00T на 20 000 кроків на наборі даних з двома переплутаними потоками камери коштує стільки ж, скільки й на чистому наборі даних, займає стільки ж часу і дає криву втрат, яка виглядає нормально. Збій проявляється на руці, через кілька годин. оплачуються погодинно, а діагностика – подобово. Два симптоми, які варто запам'ятати: зазвичай означає, що спостереження не містять того, що потрібно для завдання, і означає, що набір даних мав менше варіацій, ніж ви думали.

2. Плата за ціни базової моделі для завдання з фіксованою камерою

ACT має приблизно 80 мільйонів параметрів і був розроблений для навчання з нуля на 50 демонстраціях одного завдання. GR00T N1.7 має приблизно 3 мільярди параметрів з попередньо навченим бекбоном. Для закріпленої камери, фіксованого столу та одного об'єкта модель на 80 мільйонів часто досягає мети, працює приблизно 20 мс на крок дії замість 152 мс і коштує від 1 до 3 USD за запуск замість 4 до 12. Витратьте 3 USD, щоб з'ясувати, чи працює дешева модель, перш ніж витрачати 12 USD на дорогу. ACT проти SmolVLA та GR00T N1.7 проти Pi0.5 показують, де кожен перестає бути правильною відповіддю; арена моделей має 85 моделей та 332 результати бенчмарків.

3. GPU, про який ви забули

Найдешевша помилка, яку можна запобігти, і найпоширеніша, яку роблять. Інстанс, запущений у п'ятницю для налагодження чогось, тарифікується протягом вихідних за тією ж ставкою, що й реальний запуск.

На AY-Robots ця несправність усунена для інференсу: поди, що надаються API інференсу, мають сторожовий таймер простою та знищуються після періоду бездіяльності. Якщо ви орендуєте карту самостійно, цей сторожовий таймер — це ваше нагадування в календарі.

4. Платити двічі за одну відповідь

Точка входу для доналаштування GR00T — це tyro CLI, який не надає seed. Це не обмеження платформи, це інструмент вищого рівня: у gr00t/configs/finetune_config.py немає поля seed, а власні поради репозиторію щодо навчання попереджають, що результати запусків відрізняються на 5-6 відсотків, оскільки збільшення зображень є недетермінованими. lerobot за замовчуванням використовує seed 1000 як у 0.5.1, так і в 0.6.1, тому запуски ACT, SmolVLA та Pi0.5 принаймні можна повторно запустити з тієї ж ініціалізації та порядку даних. Це не обіцянка біт-ідентичних ваг на GPU, але це різниця між повторним запуском та новим експериментом. Якщо запуск GR00T створює політику, яка працює, а ви не зберегли контрольну точку, ви платите повну ціну за результат, який може відрізнятися більше, ніж та різниця, яку ви шукали. Існує другий спосіб втратити контрольну точку, за яку ви заплатили: CLI за замовчуванням використовує --save-total-limit 5, що задокументовано як максимальна кількість контрольних точок, що зберігаються до видалення старіших. Зберігання коштує копійки; повторний запуск коштує від 4 до 12 USD і шість годин.

Самостійне виконання проти оренди картки платформою

# GR00T N1.7, single GPU, Isaac-GR00T as of August 2026.
# Note the entry point: gr00t/experiment/launch_finetune.py, a tyro CLI.
# scripts/gr00t_finetune.py does not exist in this repository; tutorials that
# still reference it are stale. The per-embodiment walkthrough is
# getting_started/finetune_new_embodiment.md.
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 ./so100-checkpoints \
    --max-steps 20000 \
    --global-batch-size 32 \
    --dataloader-num-workers 4

# v3.0 dataset? Convert it down first or the loader will crash. The helper
# has its own pyproject and must be installed in its own environment:
cd scripts/lerobot_conversion
uv venv && source .venv/bin/activate
uv pip install -e .
python convert_v3_to_v2.py --repo-id <DATASET_REPO_ID>

Що стягує платформа та як вона обирає картку

Логіка навмисно проста. Кожна модель у каталозі, оголошує рівень GPU; бекенд бере необхідну VRAM і орендує відповідну картку на тому ж спотовому ринку, виміряному вище. Ось чому зазначена вартість є діапазоном, а не фіксованою ціною. GR00T і Pi0.5 доступні тут лише в хмарі через обмеження в 40 ГБ і 70 ГБ. SmolVLA та ACT також працюють локально на вашій власній 24 ГБ картці, де хмарна вартість дорівнює нулю, а електроенергія — ваша проблема.

Один параметр заслуговує на попередження. Накопичення градієнта дійсно застосовується для обох варіантів GR00T, тому його збільшення дозволяє отримати більший ефективний пакет на тій самій картці. Для Pi0.5 і SmolVLA воно взагалі не застосовується: lerobot 0.5.1 не має опції накопичення градієнта у своїй конфігурації навчання, тому встановлення поля на 16 нічого не коштує і нічого не дає. Якщо завдання в черзі ніколи не запускається, сторінка про застрягле в черзі завдання охоплює, що перевірити; якщо набір даних відхиляється до початку запуску, це майже завжди проблема формату v3.0.

Розроблений бюджет для першої робочої політики

Усі чотири рядки разом, починаючи з нуля. Загальна сума GPU передбачає від 3 до 5 запусків: перший доводить, що конвеєр працює, другий виявляє проблему з даними, третій або четвертий — це той, який ви залишаєте.

Ця закономірність зберігається і для роботів такого розміру: обчислення — це похибка округлення, апаратне забезпечення — це реальні одноразові витрати, людські години — це постійні витрати. Щоб протестувати навчальну частину перед покупкою чогось, дозволяють порівнювати моделі та орендувати GPU без маніпулятора, а — це фізичний SO-100, яким можна керувати в браузері без реєстрації. Для повного конвеєра від початку до кінця, охоплює налаштування, та навчання, а — це коротка версія.