kaynak · olgun
Colab bütçesi ve Mac inference
20k adım A100 ≈ $2–4. LeRobot varsayılanı uzman-only. M5: 50 adımlık chunk 0,37 s, RTC şart.
Eğitim Colab'da, çalıştırma Mac'te. İkisinin de sayısı ya ölçüldü ya kaynaktan alındı.
| Kalem | Değer | Not |
|---|---|---|
| Colab Pro | 100 birim / ay | elde var |
| A100 | 5–11 birim / saat | 2026 ölçümleri farklı; yaklaşık |
| SmolVLA 20k adım, batch 64, A100 | 4–5 saat, ~$2–4 | docs + topluluk |
| Oturum limiti | 12 saat | checkpoint Drive'a, --resume |
| Hashtag'in 120k koşusu | 14,7 saat, ~80 birim | oturuma sığmaz; gereksiz |
| L4 (22 GB) | batch 8–16 | A100 yoksa |
Varsayılan reçete ucuz
LeRobot'un kurulu SmolVLA varsayılanı tam fine-tune değil:
freeze_vision_encoder=True, train_expert_only=True. 450M parametrenin
sadece ~100M'lik aksiyon uzmanı eğitiliyor. Toplulukta çalışan sonuçlar
(ggando %60–80, Galway 8/10, cn0303) bu varsayılanla alındı. Hashtag ikisini
de kapatıp tam fine-tune yapmış; belgelenmiş bir kazancı yok.
Mac'te çalıştırma
0,37 s
SmolVLA, 50 adımlık chunk, M5 MPSSync modda SmolVLA'yı 4,5 Hz'de "kullanılamaz" bulan ekip var; Mac'te
CUDA'sız ACT'i 15 Hz'de çalıştırınca başarının %90'dan %40'a düştüğünü ölçen
de. Bu yüzden rollout komutunda RTC var:
--inference.type=rtc --inference.rtc.execution_horizon=10 --inference.rtc.max_guidance_weight=10.0.
Chunk hesabı kol hareket ederken yapılır, kol beklemez.
Kaynaklar: hardware guide · RTC · Galway · DevelopersIO