VLA ٹریننگ لاگت: ایک فائن ٹیوننگ رن کی اصل لاگت کیا ہے

بل میں چار لائنیں ہیں، اور GPU سب سے چھوٹی ہے۔

جب لوگ پوچھتے ہیں کہ ایک ویژن-لینگویج-ایکشن ماڈل کو SO-100 کے لیے فائن ٹیون کرنے میں کیا لاگت آتی ہے، تو ان کا تقریباً ہمیشہ مطلب GPU کا کرایہ ہوتا ہے۔ یہ وہ نمبر ہے جو کارڈ پر چارج کے طور پر ظاہر ہوتا ہے، لہذا یہ وہی ہے جو حقیقی محسوس ہوتا ہے۔ یہ بھی، ایک بڑے فرق سے، ان چار نمبروں میں سب سے چھوٹا ہے جو یہ فیصلہ کرتے ہیں کہ ایک فعال پالیسی دراصل آپ کو کیا لاگت آتی ہے۔

ذیل میں تربیت کے اوقات پانچ ماڈلز کے اپنے پیپرز اور ریپوزٹریز سے لیے گئے ہیں، ہارڈ ویئر کی لاگت شائع شدہ بل آف میٹریلز سے، پلیٹ فارم کے اعداد و شمار AY-Robots پالیسی کیٹلاگ اور قیمتوں کا صفحہ۔ جہاں پلیٹ فارم مدد نہیں کرتا، یہ مضمون اس کا ذکر کرتا ہے۔

اسپاٹ مارکیٹ میں ایک GPU گھنٹے کی اصل لاگت کیا ہے

A100 گھنٹے کی کوئی ایک قیمت نہیں ہے۔ vast.ai جیسے مارکیٹ پلیس پر ہر میزبان اپنی شرح مقرر کرتا ہے، اور تربیتی رن جو آپ لانچ کرتے ہیں وہ اس وقت جو بھی مشین سستی اور خالی ہو اس پر اترتا ہے۔ ایماندارانہ جواب ایک تقسیم ہے۔ یہ رہا، 23 اگست 2026 کو 13:44 UTC پر ماپا گیا: سنگل فل کارڈز، آن ڈیمانڈ، حقیقی VRAM کے ذریعے فلٹر شدہ۔

# 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

3B ماڈلز سستے کارڈ کو کیوں استعمال نہیں کر سکتے

ایک 4090 گھنٹہ اور ایک H100 80 GB گھنٹہ اوپر دیے گئے میڈینز پر تقریباً چھ گنا مختلف ہیں۔ جو چیز آپ کو مہنگے کارڈ پر مجبور کرتی ہے وہ رفتار نہیں، بلکہ میموری ہے۔ openpi ایک مکمل Pi0.5 کے لیے کم از کم ضرورت مقرر کرتا ہے فائن ٹیون 70 GB پر، اور NVIDIA GR00T کے لیے 40 GB یا اس سے زیادہ کی سفارش کرتا ہے۔ نوٹ کریں کہ GR00T نمبر کیا نہیں ہے۔ اس کی فائن ٹیون کنفیگریشن زبان کے ماڈل اور بصری انکوڈر کو بطور ڈیفالٹ منجمد کر دیتی ہے (tune_llm اور tune_visual False ہیں، جبکہ پروجیکٹر اور ڈفیوژن ہیڈ True ہیں)، یہی وجہ ہے کہ کیٹلاگ میں 3 B میں سے تقریباً 40 M تربیت یافتہ پیرامیٹرز درج ہیں۔ 40 GB 3 B وزن کے لیے آپٹیمائزر کی حالت نہیں ہے، یہ منجمد بیک بون اور ایکٹیویشنز ہیں۔ کم دائرہ کار والی اقسام کم ہوتی ہیں: openpi کا LoRA پاتھ 22.5 GB چاہتا ہے اور 4090 کا نام لیتا ہے، اور NVIDIA کا Isaac Lab Arena ورک فلو GR00T پوسٹ ٹریننگ کے لیے 24 GB سنگل-GPU آپشن درج کرتا ہے۔ پلیٹ فارم ہر وینڈر کی طرف سے شائع کردہ کنفیگریشن کے لیے کم از کم ضروریات پر مبنی ہے۔ pi0 فلو-میچنگ کی تحریر وضاحت کرتی ہے کہ وہ فلو-میچنگ فوٹ پرنٹ کہاں سے آتا ہے۔

یہ جدول اس بات کی وضاحت کرتا ہے کہ پلیٹ فارم پانچ ماڈلز کو دو درجوں میں کیوں تقسیم کرتا ہے۔ GR00T N1.7، GR00T N1.5 اور Pi0.5 A100 80 GB یا H100 پر چلتے ہیں کیونکہ وینڈرز یہی مطالبہ کرتے ہیں۔ SmolVLA اور ACT RTX 4090 یا کسی بھی 24 GB کارڈ پر چلتے ہیں کیونکہ یہ واقعی کافی ہے۔

پانچ ماڈلز میں سے ہر ایک دراصل کتنی دیر تک چلتا ہے

رن ٹائم لاگت کا دوسرا نصف ہے: اگر کام 40 منٹ کا ہو تو 2.00 امریکی ڈالر فی گھنٹہ غیر متعلقہ ہے اور اگر 40 گھنٹے کا ہو تو تباہ کن ہے۔ یہ وہ ڈیفالٹس ہیں جو AY-Robots دراصل ٹرینر کو بھیجتا ہے، ہر ٹیر کے لیے رن ونڈو اور لاگت کے ساتھ۔

یہ رن ونڈوز اپ اسٹریم سے کہاں سے آتی ہیں؟

• SmolVLA: lerobot کی دستاویزات میں بتایا گیا ہے کہ 20,000 steps ایک A100 پر تقریباً 4 hours لیتے ہیں۔ پلیٹ فارم وہی 20,000 steps سستے 24 GB tier پر چلاتا ہے، اس لیے 4 hours کی ایک فلیٹ مدت کے بجائے ایک ونڈو ہے۔
• ACT: اصل ALOHA پیپر میں ایک 80M-parameter ماڈل کے لیے ایک 11 GB RTX 2080 Ti پر تقریباً 5 hours کا وقت بتایا گیا ہے۔ ایک 4090 کئی نسلوں بعد کا ہے لیکن پلیٹ فارم 100,000 steps کا بجٹ رکھتا ہے، لہذا ونڈو اسی جگہ پر آتی ہے۔
• GR00T: NVIDIA کا N1.6 جنریشن کے لیے حوالہ ورک فلو آٹھ L40S کارڈز پر batch 24 پر 20,000 steps کے لیے تقریباً 4 to 8 hours، اور ایک Ada 6000 پر batch 16 پر 30,000 steps کے لیے 2 to 3 hours کا وقت بتاتا ہے۔ چند گھنٹوں میں ایک 3B VLA کی سنگل کارڈ فائن ٹیوننگ معمول کی بات ہے، نہ کہ پرامید۔
• Pi0.5: openpi کوئی وال کلاک فگر شائع نہیں کرتا، لیکن یہ مکمل فائن ٹیون کے لیے 70 GB کی حد شائع کرتا ہے، جو کارڈ اور اس طرح شرح کو متعین کرتا ہے۔

اس تعداد پر غور کرنا ضروری ہے جس کی آپ ادائیگی نہیں کر رہے۔ GR00T N1 پیپر کے مطابق، 2.2B ماڈل کو پری ٹرین کرنے کے لیے تقریباً 50,000 H100 GPU hours درکار ہوتے ہیں، جو 1024 GPUs تک کے کلسٹر پر، 16,384 کے پری ٹریننگ بیچ سائز پر 200,000 gradient steps کے لیے استعمال ہوتے ہیں۔ اوپر ماپی گئی 1.34 to 2.34 USD فی گھنٹہ کی شرح سے، یہ 67,000 to 117,000 USD کی کرائے کی کمپیوٹ کے برابر ہے۔ SmolVLA پیپر اپنے پروجیکٹ کو 481 کمیونٹی ڈیٹا سیٹس، 22.9K episodes اور 10.6M frames پر تقریباً 30,000 GPU hours پر رکھتا ہے۔ آپ یہ سب کچھ ایک ڈاؤن لوڈ کی قیمت پر حاصل کرتے ہیں؛ آپ کے 8 USD آخری 20,000 steps خریدتے ہیں۔ VLAs اس طرح کیوں بنائے جاتے ہیں اس تقسیم کا احاطہ کرتا ہے۔

بازو: ایک بار کا خرچ جو GPU بل کو بونا بنا دیتا ہے

ایک تربیتی رن کی لاگت دوپہر کے کھانے سے کم ہے۔ روبوٹ کی نہیں۔ یہی وجہ ہے کہ SO-100 اہم ہے: یہ سب سے سستا بازو ہے جسے پوری نقلی سیکھنے ٹول چین درحقیقت سپورٹ کرتا ہے۔

SO-ARM100 ریپوزٹری میں اپ اسٹریم بل آف میٹریلز زیادہ تفصیلی ہے اور آپ کے علاقے کے لحاظ سے جانچنے کے قابل ہے: اس کی دو بازوؤں کے لیے پرزے فہرست ایک لیڈر پلس فالوور سیٹ اپ کے لیے 229.88 USD یا 226.30 EUR بنتی ہے، اور اس کی ایک فالوور بازو کے لیے پرزے فہرست 121.94 USD یا 124.30 EUR بنتی ہے۔ چھ STS3215 سرووز، ہر ایک 13.89 USD پر، اس 121.94 میں سے 83.34 کے ہیں، لہذا سرووز ہی بازو ہیں۔ 1 سے 3 USD فی SmolVLA یا ACT رن پر، بازوؤں کا ایک جوڑا 77 سے 230 تربیتی رن کے برابر ہے۔ اگر آپ اب بھی انتخاب کر رہے ہیں، تو SO-100 بمقابلہ SO-101 وہ موازنہ ہے جو اہمیت رکھتا ہے، کیونکہ دونوں اتنے قریب ہیں کہ فیصلہ صلاحیت کے بجائے دستیابی کے بارے میں ہے۔

انسانی گھنٹے: وہ لائن جو کوئی اسپریڈشیٹ میں نہیں ڈالتا

یہ وہ تعداد ہے جو لاگت کی بحث کو الٹ دیتی ہے۔ مظاہروں کو ریکارڈ کرنا ایک شخص کا روبوٹ بازو کو حقیقی وقت میں، ایک وقت میں ایک ایپی سوڈ حرکت دینا ہے۔ اس میں کوئی بیچنگ نہیں ہے اور نہ ہی اسے فی سیکنڈ کرائے پر لیا جا سکتا ہے۔ The LeRobot dataset ریکارڈر ڈیفالٹس کے ساتھ آتا ہے جو حساب کتاب کو آسان بناتے ہیں، یہ تینوں کی تصدیق DatasetRecordConfig: 60 سیکنڈ فی ایپی سوڈ، منظر کو ری سیٹ کرنے کے لیے 60 سیکنڈ، 50 ایپی سوڈز۔ نیچے دی گئی رقم کا کالم کسی کے ایک گھنٹے کے وقت کے لیے 15 USD فرض کرتا ہے، جو کہ ایک مفروضہ ہے نہ کہ پلیٹ فارم نمبر۔ اپنی شرح تبدیل کریں؛ تناسب ہی اصل بات ہے۔

1. 1
   ڈیٹا سیٹ کو ان ڈیفالٹس کے ساتھ ریکارڈ کریں جن کے لیے آپ کو اصل میں بل کیا جائے گا

   یہ lerobot 0.6.1 ہے، جو 3 اگست 2026 تک PyPI پر دستیاب ورژن ہے۔ CLI کی شکل نوٹ کریں: ریکارڈنگ پرانے python -m lerobot.scripts.record ماڈیول پاتھ کے بجائے lerobot-record کنسول انٹری پوائنٹ (lerobot.scripts.lerobot_record) کے ذریعے چلتی ہے۔ AY-Robots 0.5.1 کو ہدف بناتا ہے، اور 0.5.1 وہیل وہی lerobot-record اور lerobot-train انٹری پوائنٹس کا اعلان کرتا ہے، لہذا نیچے دی گئی شکل دونوں میں مستحکم ہے۔ تین ٹائمنگ فلیگز اپ اسٹریم ڈیفالٹس ہیں، لہذا یہ وہی کمانڈ بھی ہے جسے اگلی جدول میں حسابات فرض کرتے ہیں۔

   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
   ایک بھی GPU منٹ کرائے پر لینے سے پہلے جو کچھ آپ نے ریکارڈ کیا ہے اسے دیکھیں

   ڈیٹا سیٹ کا معائنہ کرنے پر فی گھنٹہ صفر USD لاگت آتی ہے۔ لاس کرو سے وہی مسئلہ دریافت کرنے پر H100 ٹیر پر فی گھنٹہ 2.00 USD لاگت آتی ہے اور آپ کو چار گھنٹے بعد پتہ چلتا ہے۔ ڈیٹا سیٹ کو پش کریں اور اسے LeRobot ویور میں اسکرَب کریں، یا AY-Robots ڈیٹا سیٹ ڈائریکٹری کو براؤز کریں۔

   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
   تربیت دیں، اور یقینی بنائیں کہ چیک پوائنٹ پوڈ سے زیادہ دیر تک رہے

   کرائے پر لی گئی مشین تعریف کے لحاظ سے عارضی ہوتی ہے، لہذا رن کے دوران چیک پوائنٹس کو کسی پائیدار جگہ پر لکھیں۔ دو فلیگز یہ فیصلہ کرتے ہیں کہ آپ نے جو ادائیگی کی ہے اسے برقرار رکھتے ہیں یا نہیں۔ --save_freq 20,000 سٹیپس پر ڈیفالٹ ہوتا ہے، لہذا ایک ڈیفالٹ 20,000 سٹیپ SmolVLA رن اپنا پہلا چیک پوائنٹ اس وقت لکھتا ہے جب رن پہلے ہی ختم ہو چکا ہوتا ہے؛ اسے کسی بھی رکاوٹ والی چیز کو کرائے پر لینے سے پہلے کم کریں۔ --save_checkpoint_to_hub کو --policy.repo_id کی ضرورت ہوتی ہے اور lerobot 0.5.1 میں موجود نہیں ہے، لہذا اس ورژن پر آپ آؤٹ پٹ ڈائریکٹری کو مشین سے خود کاپی کرتے ہیں۔ نیچے دی گئی بیچ سائز اپ اسٹریم ڈاک کی مثال ہے؛ AY-Robots فارم SmolVLA کے لیے 2 بھیجتا ہے اور چیک پوائنٹس ظاہر ہونے پر آبجیکٹ سٹوریج میں لکھتا ہے۔

   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

دائیں ہاتھ کے کالم کا موازنہ 1 سے 12 USD کے رن کے اخراجات سے کریں۔ اس مفروضہ شرح پر، 50 اقساط کے ڈیٹا سیٹ کو ریکارڈ کرنے میں تربیت دینے سے دو سے سات گنا زیادہ لاگت آتی ہے، کیلیبریشن، کیمرہ سیٹ اپ اور ان اقساط کو ہٹانے سے پہلے جنہیں آپ ضائع کر دیتے ہیں۔ یہی وجہ ہے کہ کی براہ راست مالی اہمیت ہے۔ LeRobot گائیڈ کم از کم 50 اقساط تجویز کرتا ہے جس میں ہر آبجیکٹ لوکیشن کے لیے 10 اقساط ہوں؛ SmolVLA دستاویزات بتاتی ہیں کہ اسی کام کا 25 اقساط کا ورژن کافی نہیں تھا۔

پیسہ دراصل کہاں غائب ہوتا ہے

1. ایسے ڈیٹا پر چلنے والے رن جو کبھی کام نہیں کرنے والے تھے

دو تبدیل شدہ کیمرہ سٹریمز والے ڈیٹا سیٹ پر 20,000 قدم کا GR00T رن اتنا ہی خرچ کرتا ہے جتنا ایک صاف ڈیٹا سیٹ پر، اتنا ہی وقت لیتا ہے، اور ایک ایسا لاس کرو پیدا کرتا ہے جو ٹھیک لگتا ہے۔ ناکامی بازو پر گھنٹوں بعد ظاہر ہوتی ہے۔ کی بلنگ فی گھنٹہ ہوتی ہے اور تشخیص کی بلنگ دنوں میں ہوتی ہے۔ دو علامات جو یاد رکھنے کے قابل ہیں: کا عام طور پر مطلب یہ ہے کہ مشاہدات وہ معلومات نہیں رکھتے جو کام کے لیے درکار ہیں، اور کا مطلب ہے کہ ڈیٹا سیٹ میں آپ کی سوچ سے کم تغیر تھا۔

2. فکسڈ کیمرہ ٹاسک کے لیے فاؤنڈیشن ماڈل کی قیمتیں ادا کرنا

ACT تقریباً 80M پیرامیٹرز پر مشتمل ہے اور اسے ایک ٹاسک کے 50 مظاہروں پر شروع سے تربیت دینے کے لیے ڈیزائن کیا گیا تھا۔ GR00T N1.7 تقریباً 3B ہے جس میں ایک پری ٹرینڈ بیک بون ہے۔ ایک بولٹڈ کیمرہ، ایک فکسڈ ٹیبل اور ایک آبجیکٹ کے لیے، 80M ماڈل اکثر کام کرتا ہے، 152 ms کے بجائے تقریباً 20 ms فی ایکشن سٹیپ پر چلتا ہے، اور 4 سے 12 USD کے بجائے 1 سے 3 USD فی رن لاگت آتی ہے۔ مہنگے ماڈل پر 12 USD خرچ کرنے سے پہلے یہ معلوم کرنے کے لیے 3 USD خرچ کریں کہ کیا سستا ماڈل کام کرتا ہے۔ ACT بمقابلہ SmolVLA اور GR00T N1.7 بمقابلہ Pi0.5 دکھاتے ہیں کہ ہر ایک کہاں صحیح جواب ہونا بند کر دیتا ہے؛ ماڈل ایرینا میں 85 ماڈلز اور 332 بینچ مارک نتائج ہیں۔

3. وہ GPU جسے آپ بھول گئے

روکنے کے لیے سب سے سستی غلطی اور کرنے کے لیے سب سے عام غلطی۔ جمعہ کو کسی چیز کو ڈیبگ کرنے کے لیے شروع کی گئی ایک انسٹنس ہفتے کے آخر میں ایک حقیقی رن کی طرح ہی بل ہوتی ہے۔

AY-Robots پر، یہ ناکامی انفرنس کے لیے ڈیزائن کی گئی ہے: انفرنس API کے ذریعے فراہم کردہ پوڈز ایک بیکار واچ ڈاگ رکھتے ہیں اور ایک بیکار مدت کے بعد خود کو تباہ کر دیتے ہیں۔ اگر آپ خود کارڈ کرایہ پر لیتے ہیں، تو وہ واچ ڈاگ آپ کا کیلنڈر یاد دہانی ہے۔

4. ایک ہی جواب کے لیے دو بار ادائیگی

GR00T کا فائن ٹیوننگ انٹری پوائنٹ ایک ٹائرو CLI ہے جو کوئی سیڈ ظاہر نہیں کرتا۔ یہ پلیٹ فارم کی کوئی حد نہیں ہے، یہ اپ اسٹریم ٹول ہے: gr00t/configs/finetune_config.py میں کوئی سیڈ فیلڈ نہیں ہے، اور ریپوزٹری کی اپنی تربیتی تجاویز خبردار کرتی ہیں کہ رنز 5 سے 6 فیصد تک مختلف ہوتے ہیں کیونکہ امیج آگمینٹیشنز غیر حتمی ہیں۔ lerobot 0.5.1 اور 0.6.1 دونوں میں سیڈ 1000 پر ڈیفالٹ کرتا ہے، لہذا ACT، SmolVLA اور Pi0.5 رنز کو کم از کم اسی انیشیلائزیشن اور ڈیٹا آرڈر سے دوبارہ چلایا جا سکتا ہے۔ یہ GPU پر بٹ-آئیڈنٹیکل ویٹس کا وعدہ نہیں ہے، لیکن یہ دوبارہ چلانے اور ایک نئے تجربے کے درمیان فرق ہے۔ اگر GR00T رن ایک ایسی پالیسی تیار کرتا ہے جو کام کرتی ہے اور آپ نے چیک پوائنٹ نہیں رکھا، تو آپ ایک ایسے نتیجے کے لیے پوری قیمت ادا کرتے ہیں جو اس فرق سے زیادہ مختلف ہو سکتا ہے جس کا آپ پیچھا کر رہے تھے۔ ایک چیک پوائنٹ کھونے کا دوسرا طریقہ یہ ہے جس کے لیے آپ نے ادائیگی کی تھی: CLI --save-total-limit 5 پر ڈیفالٹ کرتا ہے، جسے پرانے چیک پوائنٹس کو حذف کرنے سے پہلے رکھے جانے والے چیک پوائنٹس کی زیادہ سے زیادہ تعداد کے طور پر دستاویزی کیا گیا ہے۔ سٹوریج سینٹ میں ہے؛ ایک دوبارہ رن 4 سے 12 USD اور چھ گھنٹے کا ہے۔

خود کرنا بمقابلہ پلیٹ فارم کو کارڈ کرایہ پر لینے دینا

# 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>

پلیٹ فارم کیا چارج کرتا ہے اور یہ کارڈ کا انتخاب کیسے کرتا ہے

منطق جان بوجھ کر سادہ ہے۔ ہر ماڈل کیٹلاگ میں ایک GPU ٹیر کا اعلان کرتا ہے؛ بیک اینڈ مطلوبہ VRAM لیتا ہے اور اوپر بیان کردہ اسی اسپاٹ مارکیٹ پر ایک مماثل کارڈ کرائے پر لیتا ہے۔ یہی وجہ ہے کہ بتائی گئی لاگت ایک رینج ہے، قیمت نہیں۔ GR00T اور Pi0.5 یہاں صرف کلاؤڈ پر چلتے ہیں کیونکہ ان کی 40 GB اور 70 GB کی کم از کم ضرورت ہے۔ SmolVLA اور ACT آپ کے اپنے 24 GB کارڈ پر مقامی طور پر بھی چلتے ہیں، جہاں کلاؤڈ کی لاگت صفر ہے اور بجلی آپ کا مسئلہ ہے۔

ایک سیٹنگ پر توجہ کی ضرورت ہے۔ گریڈینٹ ایکومولیشن GR00T کے دونوں ویرینٹس پر حقیقی معنوں میں لاگو ہوتی ہے، لہذا اسے بڑھانے سے اسی کارڈ پر ایک بڑا مؤثر بیچ حاصل ہوتا ہے۔ Pi0.5 اور SmolVLA کے لیے یہ بالکل لاگو نہیں ہوتی: lerobot 0.5.1 کی ٹریننگ کنفگ میں گریڈینٹ ایکومولیشن کا کوئی آپشن نہیں ہے، لہذا فیلڈ کو 16 پر سیٹ کرنے سے نہ کچھ خرچ ہوتا ہے اور نہ کچھ حاصل ہوتا ہے۔ اگر کوئی قطار میں لگی ہوئی جاب کبھی شروع نہیں ہوتی، قطار میں پھنسی ہوئی جاب کا صفحہ یہ بتاتا ہے کہ کیا چیک کرنا ہے؛ اگر رن شروع ہونے سے پہلے ڈیٹا سیٹ مسترد ہو جاتا ہے، تو یہ تقریباً ہمیشہ v3.0 فارمیٹ کا مسئلہ ہوتا ہے۔

پہلی کارآمد پالیسی کے لیے ایک تیار شدہ بجٹ

تمام چار لائنیں ایک ساتھ، بالکل شروع سے۔ GPU کا کل تخمینہ 3 سے 5 رن پر مبنی ہے: پہلا پائپ لائن کے کام کرنے کو ثابت کرتا ہے، دوسرا ڈیٹا کے مسئلے کو ظاہر کرتا ہے، تیسرا یا چوتھا وہ ہے جسے آپ برقرار رکھتے ہیں۔

اس روبوٹ کے سائز پر بھی یہی پیٹرن برقرار ہے: کمپیوٹ ایک معمولی غلطی ہے، ہارڈویئر ایک حقیقی یک وقتی لاگت ہے، انسانی گھنٹے بار بار ہونے والا خرچ ہیں۔ کچھ بھی خریدنے سے پہلے تربیتی حصے کو جانچنے کے لیے، آپ کو ماڈلز کا موازنہ کرنے اور بغیر کسی بازو کے GPU کرائے پر لینے کی اجازت دیتے ہیں، اور ایک فزیکل SO-100 ہے جسے آپ بغیر سائن اپ کے براؤزر میں چلا سکتے ہیں۔ پوری پائپ لائن کو شروع سے آخر تک دیکھنے کے لیے، سیٹ اپ کا احاطہ کرتی ہے، اور تربیت، اور مختصر ورژن ہے۔