2026年您应该训练哪种VLA策略？

目前，SO-100 级机械臂可训练五种策略。它们在推理延迟方面相差 24 倍，在参数数量方面相差 37 倍，在每次运行成本方面相差 12 倍，并且在是否可以交付结果方面也有所不同。五张模型卡片无法解决问题：没有一张能回答您的问题，我应该首先运行哪一个？

以下所有数据均摘自 2026 年 8 月的论文、代码库和卡片。平台数据来自 AY-Robots 策略目录；如果两者不一致，则同时显示。

决策表

五种候选方案

所有五种都是 策略：相机帧、关节位置，其中四种还包括语言指令，映射到未来的关节目标块。它们之间的区别在于在您到来之前学习了多少。

GR00T N1.7

NVIDIA 当前的视觉-语言-动作模型，约 3 B 参数，其中约 40 M 在微调期间训练。该仓库列出了 N1.6 的变化：骨干网络从供应商的 Eagle 模型变为 Qwen3-VL 上的 Cosmos-Reason2-2B，扩散层从 32 变为 16，状态和动作维度从 29 变为 132，动作时间范围从 16 变为 40。

小型机械臂的关键在于相对末端执行器动作空间：N1.7 预测的是相对于当前姿态的增量，这使得 20K 小时的 EgoScale 人类视频能够转化为机器人策略。详细规格请参见N1.7 页面，操作步骤请参考SO-100 上的 N1.7 指南。

GR00T N1.5

相同的 3 B 规模，Eagle 2 主干网络，SigLip2 和 T5，流匹配 DiT 头。它的存在是为了扩展一个你已有的。有两点使其成为一个糟糕的默认选择：权重带有NVIDIA's one-way non-commercial licence, and current LeRobot releases removed N1.5 support. See .

Pi0.5

Physical Intelligence 的 VLA，策略类型pi05。该论文提出了一个从 PaliGemma 初始化而来的 2 B VLM，加上一个 300 M 的动作专家，以 50 Hz 的频率驱动机器人；LeRobot's pi05 config defaults to a 50-step chunk, one second at that rate. The selling point is unseen places: 大约 400 小时在真实家庭中的移动操作，以及对 3、12、22、53、82 和 104 个地点的扩展性研究，其中 104 个地点的模型与在测试家庭本身上训练的对照组相匹配。

一个限制，在lerobot/pi05_base卡片上说明：该端口仅承载流匹配的action head。子任务预测、动作标记化和强化学习未在上游发布，openpi 也对其自己的仓库做了同样说明。Pi0.5 页面和SO-100 上的 Pi0.5 指南有其余信息。

SmolVLA

4.5 亿参数，其中约 1 亿在动作专家中，基于 SmolVLM-2，VLM 被冻结，并且仅使用其前 16 层语言模型层。预训练数据来自社区：481 个数据集，1060 万帧，来自你使用的相同廉价机械臂。这里唯一适合一张 24 GB 显卡的 VLA，也是唯一一个 30 回合的下限。请参阅SmolVLA 页面.

ACT

不是一个基础模型。来自ALOHA的动作分块Transformer大约有80 M个参数，针对每个任务从头开始训练，基于50个演示，以50 Hz的频率。该论文报告了六个真实的双臂任务，每个任务大约有大约十分钟的演示，在它强调的示例上达到了80%到90%的成功率。它的核心思想，动作分块，存在于本页的每个模型中，其消融实验仍然能最好地衡量其效果：在两个关闭时间集成（temporal ensembling）的模拟任务中，成功率从k=1时的1%上升到k=100时的44%。ACT页面有更多详细信息。

基准测试实际说明了什么

LIBERO是这五个模型中三个报告的基准测试：在模拟的Franka Panda上进行的语言条件任务，分为以下四个套件，每个套件包含十个任务。NVIDIA为每个套件运行了200次试验。

SimplerEnv 显示了分布情况，而 LIBERO 没有。NVIDIA 将 N1.7 与 N1.6 进行比较，这是最接近公开的代际差异。

Bridge 行是其中有用的一个：平均获得 5.7 分，而 put_eggplant_in_basket 损失了 36 分，put_eggplant_in_sink 从 33 分下降到 2 分。新一代模型是移动分布而不是提升分布，因此如果您的任务位于 N1.7 退步的区域，那么平均值就毫无意义。

在这五个中，只有 SmolVLA 论文报告了 SO-100 级别的机械臂：SmolVLA 在三个任务中达到 78.3%，Pi0 达到 61.7%，两者都是多任务，而 ACT 训练的单任务为 48.3%，这不具有可比性。更清晰的对比是两者都在 SO-101 抓取放置任务上进行单任务训练：分布内 90 对 70，分布外 50 对 40。可在 ACT 对比 SmolVLA 和 Pi0.5 对比 SmolVLA 上进行比较，或浏览 竞技场。

延迟和成本决定部署

推理延迟是人们最后发现但最先后悔的约束。一个在基准测试中好五分但每动作步慢半秒的策略在你的桌面上看起来会更糟：接触动力学不会等待。

一个注意事项：GR00T 的数据与 NVIDIA 的显卡数据不符，NVIDIA 的显卡在 H100 上以 eager 模式处理 4 个去噪步骤和一个摄像头需要 85.8 ms，使用 torch.compile 为 48.6 ms，通过完整的 TensorRT 为 27.9 ms。这里的 152 ms 是一个包含服务开销和多个摄像头的全栈数据，而不是一个前向传播。

一种无需更改模型即可争取时间的方法是：SmolVLA 论文测量了同步执行（其中策略在预测下一个块之前完成一个块）与异步执行（其中预测与执行重叠）的对比。成功率相似，78.3 对 73.3，但相同的抓取放置任务耗时 9.7 秒而非 13.75 秒，并且在固定时间内，机器人完成了 19 个周期而非 9 个。

许可证，已检查（因为没人检查）

Pi0.5 这一行需要注意。LeRobot pi05 文档声明 Apache 2.0 与 openpi 一致，而 Hub 模型卡 lerobot/pi05_base 带有 license: gemma。两者都有效。GR00T N1.7 有一个 更温和的版本：Isaac-GR00T README 顺带提到 N1.7 在 Apache 2.0 下完全可用于商业许可，而其自身的许可证部分和模型卡仅将代码置于 Apache 2.0 下，并将权重置于 NVIDIA 开放模型许可证下。

您将实际运行的默认值

每个训练器表单都附带一个默认值，并且它们并非随意设置。ACT 的是 LeRobot 自带的：批次 8，lr 1e-5, 100000 训练步数，块大小 100，与上游 ACTConfig 匹配，以及k=100 from the ACT paper. 下面有一列是个陷阱。

比模型选择更重要的旋钮

这是动作块。更长的动作块能提供更平滑的运动并减少累积误差，但是策略在块执行期间是固定的，因此它对任何移动的物体反应迟钝：在静态立方体上表现自信，在滚动立方体上则无能为力。如果它超出目标，缩短执行部分比重新训练更有效且免费。关节提前停止是另一个问题；请参阅。

• ACT: ACTConfig 默认设置为 chunk_size 100 和 n_action_steps 100。时间集成功能已关闭，需要 n_action_steps 1。
• GR00T N1.7: 内部预测范围从 16 增加到 40，但 LeRobot 的 SO-101 示例仍然运行 --policy.chunk_size=16 --policy.n_action_steps=16。rollout 标志已重命名为 --execution-horizon。
• Pi0.5: 一个 50 步的动作块，其中 LeRobot 的 LIBERO 配方通过 --policy.n_action_steps=10 执行 10 步；如果省略该标志，则使用 --policy.pretrained_path 时会回退到 50 步。
• SmolVLA: 50 动作块，两个参数都已公开。

如何在一下午筛选所有五个模型

最经济的答案不是阅读更多资料。花费大约 15 USD，让机械臂告诉你：录制一次，首先训练廉价模型，一旦数据被证明可靠，再逐步升级。结构胜于数量，这是和的重点。

1. 1
   一次性记录50个episode

   50个数据集为GR00T、Pi0.5和ACT以及SmolVLA的30个数据集腾出空间。重复每个变体而不是分散：在5个立方体位置上训练50个episode，其中25个没有。请参阅记录您的第一个数据集。

   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
   首先训练ACT，因为它不会欺骗您

   没有预训练权重，所以如果它能完成任务，您的数据集就包含了该任务。如果ACT表现平平，请修复数据。在24 GB显卡上，成本为1到3美元，耗时2到5小时。

   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
   在相同数据集上运行SmolVLA，无需更改

   相同的数据，相同的机械臂，4.5亿参数而不是8000万，加上语言条件。LeRobot在单个A100上运行2万步大约需要4小时。这会告诉您预训练是否有价值。

   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
   在使用GR00T之前降级到v2.1

   GR00T读取LeRobot v2格式的一种变体，外加一个额外的meta/modality.json文件，用于映射连接的状态和动作数组如何拆分为命名字段。v3.0数据集会导致该加载器崩溃，因为v3.0将许多episode打包到共享文件中，而v2是每个episode写入一个文件。Isaac-GR00T将降级助手作为scripts/lerobot_conversion/convert_v3_to_v2.py提供；v3拒绝页面是快速路径。

   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
   仅当前两个模型未能达到预期时，才升级到GR00T N1.7

   通过此处所示的NVIDIA CLI，或LeRobot的groot策略类型。NVIDIA建议微调使用40 GB或更多显存，推理使用16 GB。如果出现OOM，请参阅OOM页面。

   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

运行该筛选过程的两种方式

# 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

基础模型还是从零开始

真正的分歧不在于选择哪个3B模型。而在于是否应该使用预训练的VLA，考虑到ACT在每个任务大约十分钟的演示中学习了六个真实的双手任务，使用了80M参数，并且没有进行任何预训练。

复现旧运行案例

追逐2025年的检查点会为你决定模型选择，并将问题转化为版本锁定：当前LeRobot拒绝N1.5，因此你需要锁定lerobot==0.5.1。由于没有种子字段和运行之间5%到6%的差异，复现结果在结构上是近似的。和提供了平台侧的信息。

只剩下两个？ACT 对比 GR00T N1.7 和 GR00T N1.7 对比 SmolVLA。原始数据行位于竞技场条目中：GR00T N1.7，Pi0.5，SmolVLA 和 ACT。

本平台无法为您提供帮助的方面

• 它无法加快远程推理速度。20 到 485 毫秒的循环属于模型本身；互联网往返会增加额外延迟。
• 它无法在您自己的硬件上微调 GR00T 或 Pi0.5。两者在此处都仅支持云端；只有 SmolVLA 和 ACT 可以在本地运行。
• 它无法修复数据集。损失下降但策略无效 是一个数据问题，只在一种设置下有效的策略 是一个覆盖范围问题。
• 它无法使 GR00T 运行可复现：上游配置中没有种子字段。

选择一个并继续

一个默认方案：记录50个片段，用1到3美元训练ACT以验证数据集，然后用SmolVLA处理相同的数据。总共不到6美元，它们就能回答关键问题：预训练在这里是否有帮助，或者瓶颈是否在于数据。对于接触丰富的多步任务，可升级到GR00T N1.7；当场景变化时，可升级到Pi0.5。

平台演练：训练你的第一个策略，然后运行你的第一个策略。 《训练文档》和《数据集文档》涵盖形式和格式；SO-100页面和完整的SO-100指南涵盖构建和校准。背景知识：VLA概述和Pi0流匹配文章。能提高你成功率的是数据质量指南。