Bạn Nên Huấn Luyện Chính Sách VLA Nào vào Năm 2026?

Năm chính sách có thể được huấn luyện trên một cánh tay robot lớp SO-100 hiện nay. Chúng khác nhau 24 lần về độ trễ suy luận, 37 lần về số lượng tham số và 12 lần về chi phí cho một lần chạy, cũng như về việc bạn có thể xuất bản kết quả hay không. Năm thẻ mô hình sẽ không giải quyết được vấn đề: không có thẻ nào trả lời câu hỏi của bạn, tôi nên chạy cái nào trước?

Mọi con số dưới đây đều được trích từ các bài báo, kho lưu trữ và thẻ vào tháng 8 năm 2026. Các con số về nền tảng đến từ danh mục chính sách của AY-Robots; nơi hai bên không thống nhất, cả hai đều được hiển thị.

Bảng quyết định

Năm ứng cử viên

Cả năm đều là chính sách: khung hình camera, vị trí khớp và, đối với bốn trong số đó, một hướng dẫn ngôn ngữ, được ánh xạ tới một phần các mục tiêu khớp trong tương lai. Điều phân biệt chúng là mức độ đã được học trước khi bạn đến.

GR00T N1.7

Mô hình hiện tại của NVIDIA mô hình hành động-ngôn ngữ-thị giác, khoảng 3 tỷ tham số, khoảng 40 triệu được huấn luyện trong quá trình tinh chỉnh. Kho lưu trữ liệt kê các thay đổi từ N1.6: xương sống từ mô hình Eagle của nhà cung cấp sang Cosmos-Reason2-2B trên Qwen3-VL, các lớp khuếch tán từ 32 xuống 16, kích thước trạng thái và hành động từ 29 lên 132, tầm hành động từ 16 lên 40.

Điều quan trọng đối với một cánh tay robot nhỏ là không gian hành động tương đối của bộ phận cuối: N1.7 dự đoán các thay đổi từ tư thế hiện tại, đây là điều cho phép 20K giờ video người EgoScale chuyển đổi thành chính sách robot. Thông số kỹ thuật trên trang N1.7, quy trình trong hướng dẫn N1.7 trên SO-100.

GR00T N1.5

Cùng quy mô 3 B, kiến trúc Eagle 2, SigLip2 và T5, đầu DiT khớp dòng chảy. Nó tồn tại để mở rộng một điểm kiểm tra bạn đã có. Hai điều khiến nó trở thành một lựa chọn mặc định kém: các trọng số mang giấy phép phi thương mại một chiều của NVIDIA, và các bản phát hành LeRobot hiện tại đã loại bỏ hỗ trợ N1.5. Xem N1.7 so với N1.5.

Pi0.5

VLA khớp dòng chảy của Physical Intelligence, loại chính sách khớp dòng chảy. Bài báo trình bày một VLM 2 B được khởi tạo từ PaliGemma cộng với một chuyên gia hành động 300 M, điều khiển robot ở tốc độ 50 Hz; cấu hình pi05 của LeRobot mặc định là một khối 50 bước, một giây ở tốc độ đó. Điểm bán hàng là những nơi chưa từng thấy: khoảng 400 giờ thao tác di động trong các ngôi nhà thực tế, và một nghiên cứu mở rộng quy mô trên 3, 12, 22, 53, 82 và 104 địa điểm, trong đó mô hình 104 địa điểm khớp với một điều khiển được huấn luyện trên chính các ngôi nhà thử nghiệm.

Một giới hạn, được nêu trên lerobot/pi05_base thẻ: cổng chỉ mang đầu hành động khớp với luồng. Dự đoán tác vụ con, mã hóa hành động và RL không được phát hành từ upstream, và openpi cũng nói điều tương tự về kho lưu trữ của riêng nó. Trang Pi0.5 và hướng dẫn Pi0.5 trên SO-100 có phần còn lại.

SmolVLA

450 triệu tham số, khoảng 100 triệu trong chuyên gia hành động, trên SmolVLM-2 với VLM bị đóng băng và chỉ 16 lớp mô hình ngôn ngữ đầu tiên được sử dụng. Huấn luyện trước là dữ liệu cộng đồng: 481 bộ dữ liệu, 10.6 triệu khung hình, từ cùng cánh tay giá rẻ mà bạn sử dụng. VLA duy nhất ở đây phù hợp với một thẻ 24 GB, và là 30 tập sàn. Xem trang SmolVLA.

ACT

Không phải là một mô hình nền tảng. Action Chunking Transformer từ ALOHA có khoảng 80 triệu tham số được huấn luyện từ đầu cho mỗi tác vụ, trên 50 bản trình diễn ở tần số 50 Hz. Bài báo báo cáo sáu tác vụ hai tay thực tế từ khoảng mười phút trình diễn mỗi tác vụ, đạt 80 đến 90 phần trăm trên các ví dụ mà nó làm nổi bật. Ý tưởng của nó, phân đoạn hành động, có mặt trong mọi mô hình trên trang này, và phân tích loại bỏ của nó vẫn đo lường hiệu quả tốt nhất: trên hai tác vụ mô phỏng với tính năng kết hợp thời gian tắt, tỷ lệ thành công tăng từ 1 phần trăm ở k=1 lên 44 phần trăm ở k=100. Trang ACT có phần còn lại.

Những gì các điểm chuẩn thực sự nói

LIBERO là một điểm chuẩn mà ba trong số năm mô hình này báo cáo: các tác vụ được điều kiện bằng ngôn ngữ trên một mô phỏng Franka Panda, được chia thành bốn bộ dưới đây, mỗi bộ mười tác vụ. NVIDIA đã chạy 200 thử nghiệm cho mỗi bộ.

SimplerEnv cho thấy sự phân tán, điều mà LIBERO không làm được. NVIDIA so sánh N1.7 với N1.6, điều công khai gần nhất với một delta thế hệ.

Hàng Bridge là hàng hữu ích: trung bình tăng 5.7 điểm trong khi put_eggplant_in_basket mất 36 và put_eggplant_in_sink giảm từ 33 xuống 2. Một thế hệ mới di chuyển phân phối thay vì nâng nó lên, vì vậy nếu nhiệm vụ của bạn nằm ở nơi N1.7 bị suy giảm, thì giá trị trung bình không nói lên điều gì.

Trong số năm mô hình, chỉ có bài báo SmolVLA báo cáo về một cánh tay lớp SO-100: 78.3 phần trăm cho SmolVLA và 61.7 cho Pi0 trên ba nhiệm vụ, cả hai đều là đa nhiệm, so với 48.3 cho ACT được huấn luyện đơn nhiệm, điều này không phải là so sánh tương đương. Cặp đôi rõ ràng là cả hai đều đơn nhiệm trên SO-101 pick-and-place: 90 so với 70 trong phân phối, 50 so với 40 ngoài phân phối. So sánh trên ACT so với SmolVLA và Pi0.5 so với SmolVLA, hoặc duyệt đấu trường.

Độ trễ và chi phí quyết định việc triển khai

Độ trễ suy luận là ràng buộc mà mọi người phát hiện ra sau cùng và hối tiếc đầu tiên. Một chính sách tốt hơn năm điểm trên một tiêu chuẩn nhưng mất nửa giây cho mỗi bước hành động sẽ trông tệ hơn trên bàn làm việc của bạn: động lực học tiếp xúc không chờ đợi.

Một lưu ý: số liệu của GR00T không khớp với thẻ của NVIDIA, vốn tính toán 4 bước khử nhiễu và một camera ở 85.8 ms trên H100 ở chế độ eager, 48.6 ms với torch.compile, 27.9 ms thông qua TensorRT đầy đủ. Con số 152 ms ở đây là số liệu toàn bộ ngăn xếp bao gồm chi phí phục vụ và nhiều hơn một camera, không phải là một forward pass.

Một cách để tiết kiệm thời gian mà không thay đổi mô hình: bài báo SmolVLA đo lường việc thực thi đồng bộ, trong đó chính sách hoàn thành một phần trước khi dự đoán phần tiếp theo, so với bất đồng bộ, nơi dự đoán chồng chéo với việc thực thi. Tỷ lệ thành công tương tự, 78.3 so với 73.3, nhưng cùng một tác vụ gắp đặt mất 9.7 giây thay vì 13.75, và trong một cửa sổ cố định, robot thực hiện được 19 chu kỳ thay vì 9.

Giấy phép, đã kiểm tra vì không ai kiểm tra chúng

Dòng Pi0.5 cần được chú ý. Tài liệu LeRobot pi05 nêu rõ Apache 2.0 phù hợp với openpi, trong khi thẻ Hub cho lerobot/pi05_base mang license: gemma. Cả hai đều đang hoạt động. GR00T N1.7 có một phiên bản nhẹ hơn: README của Isaac-GR00T nói thoáng qua rằng N1.7 có thể được cấp phép thương mại đầy đủ theo Apache 2.0, trong khi phần giấy phép riêng của nó và thẻ mô hình chỉ đặt mã nguồn dưới Apache 2.0 và trọng số dưới NVIDIA Open Model License.

Các cài đặt mặc định bạn sẽ thực sự chạy

Mỗi biểu mẫu huấn luyện viên đi kèm với một cài đặt mặc định và chúng không phải là tùy ý. Các cài đặt của ACT là của riêng LeRobot: batch 8, lr 1e-5, 100000 bước huấn luyện, kích thước chunk 100, khớp với ACTConfig upstream và k=100 từ bài báo ACT. Một cột dưới đây là một cái bẫy.

Tùy chỉnh quan trọng hơn lựa chọn mô hình

Đây là khối hành động. Các khối dài hơn mang lại chuyển động mượt mà hơn và ít lỗi tích lũy hơn, nhưng chính sách được cam kết trong khi khối thực thi, vì vậy nó phản ứng chậm với bất kỳ thứ gì di chuyển: tự tin trên một khối lập phương tĩnh, vô vọng trên một khối lăn. Nếu nó vượt quá, việc rút ngắn phần đã thực thi tốt hơn việc đào tạo lại và miễn phí. Một khớp dừng sớm là một vấn đề khác; xem .

• ACT: ACTConfig mặc định là chunk_size 100 và n_action_steps 100. Tập hợp thời gian (Temporal ensembling) bị tắt và yêu cầu n_action_steps 1.
• GR00T N1.7: tầm nhìn nội bộ (internal horizon) đã tăng từ 16 lên 40, nhưng ví dụ SO-101 của LeRobot vẫn chạy --policy.chunk_size=16 --policy.n_action_steps=16. Cờ rollout đã được đổi tên thành --execution-horizon.
• Pi0.5: một khối 50 bước, trong đó công thức LIBERO của LeRobot thực thi 10 bước thông qua --policy.n_action_steps=10; với --policy.pretrained_path nó sẽ trở lại 50 nếu bạn bỏ qua cờ này.
• SmolVLA: các khối 50 hành động, cả hai tùy chỉnh đều được hiển thị.

Cách sàng lọc cả năm trong một buổi chiều

Câu trả lời rẻ nhất không phải là đọc thêm. Hãy chi khoảng 15 USD và để cánh tay robot cho bạn biết: ghi lại một lần, đào tạo mô hình rẻ trước, sau đó mở rộng khi dữ liệu đã được chứng minh là đáng tin cậy. Cấu trúc quan trọng hơn số lượng, đó là điểm chính của và .

1. 1
   Ghi lại 50 tập một lần

   Năm mươi tập dọn đường cho GR00T, Pi0.5 và ACT, cùng với 30 tập của SmolVLA. Lặp lại từng biến thể thay vì dàn trải mỏng: 50 tập trên 5 vị trí khối lập phương được huấn luyện, trong khi 25 tập thì không. Xem ghi lại tập dữ liệu đầu tiên của bạn.

   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
   Huấn luyện ACT trước, vì nó không thể nói dối bạn

   Không có trọng số được huấn luyện trước, vì vậy nếu nó thực hiện được nhiệm vụ, tập dữ liệu của bạn chứa nhiệm vụ đó. Nếu ACT không hoạt động, hãy sửa dữ liệu. 1 đến 3 USD, 2 đến 5 giờ trên thẻ 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
   Chạy SmolVLA trên cùng tập dữ liệu, không thay đổi

   Cùng dữ liệu, cùng cánh tay, 450 triệu tham số thay vì 80 triệu, cộng với điều kiện ngôn ngữ. LeRobot ước tính một lần chạy 20K bước mất khoảng 4 giờ trên một A100. Đây là điều cho bạn biết liệu việc huấn luyện trước có mang lại lợi ích gì không.

   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
   Chuyển đổi xuống v2.1 trước khi bạn chạm vào GR00T

   GR00T đọc một biến thể của định dạng LeRobot v2 cộng với một tệp meta/modality.json bổ sung để ánh xạ cách các mảng trạng thái và hành động được nối với nhau phân tách thành các trường có tên. Một tập dữ liệu v3.0 làm hỏng trình tải đó, vì v3.0 đóng gói nhiều tập vào các tệp dùng chung trong khi v2 ghi một tệp cho mỗi tập. Isaac-GR00T cung cấp công cụ hỗ trợ hạ cấp dưới dạng scripts/lerobot_conversion/convert_v3_to_v2.py; trang từ chối v3 là con đường nhanh chóng.

   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
   Chỉ nâng cấp lên GR00T N1.7 nếu hai bước đầu tiên còn bỏ sót điều gì đó

   Thông qua CLI của NVIDIA, được hiển thị ở đây, hoặc loại chính sách groot của LeRobot. NVIDIA khuyến nghị 40 GB VRAM trở lên để tinh chỉnh, 16 GB để suy luận. Khi gặp lỗi OOM, hãy xem trang OOM.

   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

Hai cách để chạy bước sàng lọc đó

# 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

Mô hình nền tảng hay từ đầu

Vấn đề thực sự không phải là chọn mô hình 3 B nào. Mà là liệu có nên sử dụng VLA được huấn luyện trước hay không, khi mà ACT đã học sáu nhiệm vụ song thủ thực tế từ khoảng mười phút trình diễn mỗi nhiệm vụ, với 80 triệu tham số và không có gì được huấn luyện trước.

Trường hợp tái tạo một lần chạy cũ

Việc theo đuổi một checkpoint năm 2025 sẽ quyết định lựa chọn mô hình cho bạn và biến vấn đề thành việc ghim phiên bản: LeRobot hiện tại từ chối N1.5, vì vậy bạn ghim lerobot==0.5.1. Với trường seed trống và độ lệch 5 đến 6 phần trăm giữa các lần chạy, việc tái tạo chỉ mang tính xấp xỉ theo thiết kế. và có phần nền tảng.

Chỉ còn hai? ACT với GR00T N1.7 và GR00T N1.7 với SmolVLA. Các hàng dữ liệu thô nằm trong các mục đấu trường: GR00T N1.7, Pi0.5, SmolVLA và ACT.

Nơi nền tảng này không giúp ích được cho bạn

• Nó không thể làm cho suy luận từ xa nhanh chóng. Vòng lặp 20 đến 485 ms thuộc về mô hình; các chuyến đi khứ hồi qua internet sẽ làm tăng thêm thời gian này.
• Nó không thể tinh chỉnh GR00T hoặc Pi0.5 trên phần cứng của riêng bạn. Cả hai đều chỉ chạy trên đám mây ở đây; chỉ SmolVLA và ACT chạy cục bộ.
• Nó không thể sửa một tập dữ liệu. Mất mát giảm nhưng chính sách không làm gì là một vấn đề về dữ liệu, một chính sách chỉ hoạt động trong một thiết lập là một vấn đề về độ bao phủ.
• Nó không thể làm cho các lần chạy GR00T có thể tái tạo: cấu hình upstream không có trường seed.

Chọn một và tiếp tục

Một mặc định: ghi lại 50 tập, huấn luyện ACT với chi phí 1 đến 3 USD để chứng minh tập dữ liệu, sau đó là SmolVLA trên cùng dữ liệu. Tổng cộng dưới 6 USD, và chúng trả lời câu hỏi quan trọng: liệu việc tiền huấn luyện có giúp ích ở đây không, hay liệu nút thắt cổ chai có phải là dữ liệu không. Nâng cấp lên GR00T N1.7 cho các tác vụ đa bước giàu tiếp xúc, lên Pi0.5 khi cảnh thay đổi.

Hướng dẫn nền tảng: huấn luyện chính sách đầu tiên của bạn, sau đó chạy chính sách đầu tiên của bạn. Các tài liệu huấn luyện và tài liệu tập dữ liệu bao gồm hình thức và định dạng; trang SO-100 và hướng dẫn SO-100 đầy đủ bao gồm việc xây dựng và hiệu chuẩn. Thông tin cơ bản: tổng quan về VLA và bài viết về khớp dòng Pi0. Điều sẽ nâng cao tỷ lệ thành công của bạn là hướng dẫn chất lượng dữ liệu.