Praktyczne zastosowania
OpenVLA, WALL-OSS i π0.6: co wiadomo o modelach VLA
Zaktualizowano: Autor: Andrzej Niemiec9 min czytania
OpenVLA, WALL-OSS i π0.6 to różne modele VLA. Wyjaśniamy, skąd biorą się liczby 63 i 73 ms, ile trwa fine-tuning i czego nie potwierdzają źródła.
Spis treści
- Czy da się porównać OpenVLA, WALL-OSS i π0.6 na jednym stanowisku UR5?
- Czym różnią się OpenVLA, WALL-OSS i π0.6?
- Skąd biorą się liczby 63 ms i 73 ms?
- Ile trwa trenowanie i fine-tuning?
- Ile VRAM i jakiego GPU potrzebuje każdy z modeli?
- Co sprawdzić przed wdrożeniem na UR5?
- Czym różni się π0.6 od π*0.6?
- Jakie wnioski płyną z dostępnych źródeł?
- Najczęstsze pytania
- Źródła
Czy da się porównać OpenVLA, WALL-OSS i π0.6 na jednym stanowisku UR5?
Nie. Nie znaleziono publicznego, znormalizowanego porównania tych trzech modeli na UR5. OpenVLA, WALL-OSS i π0.6 powstały w różnych projektach i różnią się architekturą, danymi treningowymi oraz protokołem pomiaru [1][2][3]. UR5 to ramię do lekkich i precyzyjnych zadań, takich jak podnoszenie, umieszczanie i klejenie [4]. Żadna z przywołanych publikacji nie opisuje testu chwytania butelek z taśmy na tym ramieniu. Każdą liczbę trzeba więc przypisać do konkretnego modelu, wersji i konfiguracji sprzętowej.
Czym różnią się OpenVLA, WALL-OSS i π0.6?
OpenVLA to model o 7 mld parametrów, wytrenowany na około 970 tys. demonstracji z Open X-Embodiment. Łączy enkodery DINOv2 i SigLIP z backbone'em Llama 2 [1]. WALL-OSS to otwarty model fundamentowy X Square Robot, ogłoszony 8 września 2025. Dokumentacja opisuje połączenie dyskretnego i ciągłego modelowania akcji, architekturę MoE oraz etapy Inspiration i Integration, a model z tej dokumentacji objęto licencją Apache 2.0 [2][5]. π0.6 to model Physical Intelligence z karty opublikowanej 17 listopada 2025: Gemma 3 4B, ekspert akcji o około 860 mln parametrów, wejście do czterech obrazów i flow matching [3].
| Kryterium | OpenVLA | WALL-OSS | π0.6 |
|---|---|---|---|
| Publikacja | model otwarty z repozytorium i wagami [8] | 8 września 2025, X Square Robot [5] | 17 listopada 2025, Physical Intelligence [3] |
| Architektura | 7B, DINOv2 + SigLIP, Llama 2 [1] | MoE, dyskretne i ciągłe modelowanie akcji [2] | Gemma 3 4B, ekspert akcji ~860M [3] |
| Inferencja w publikacji | około 6 Hz na RTX 4090 [1] | brak znormalizowanego pomiaru [2] | blok akcji 63 ms na H100 [3] |
Skąd biorą się liczby 63 ms i 73 ms?
Karta π0.6 podaje 63 ms na wygenerowanie bloku akcji przy 5 krokach denoisingu, trzech kamerach i jednym H100 [3]. To nie jest pomiar na UR5 ani pełny czas cyklu sterowania. W pracy o π0 podano 73 ms inferencji na RTX 4090, również jako czas wygenerowania całego bloku akcji; eksperyment obejmował między innymi UR5e [6]. Obie wartości opisują różne modele, różne GPU i różne protokoły. Bazowy OpenVLA nie jest polityką wysokoczęstotliwościową: publikacja podaje około 6 Hz na RTX 4090 i około 15 GB VRAM w bfloat16, a autorzy wskazują ograniczenia dla sterowania 50 Hz [1]. Późniejsza receptura OpenVLA-OFT, oparta na równoległym dekodowaniu, predykcji ciągłej i action chunking, osiąga według autorów 26× szybszą generację akcji i 97,1% średniej skuteczności LIBERO [7]. To wynik OFT, nie bazowego OpenVLA i nie wdrożenia na UR5. Krążąca w sieci wartość 70 ms dla UR5 nie ma potwierdzenia w tych źródłach.
Ile trwa trenowanie i fine-tuning?
Oryginalny OpenVLA trenowano przez 14 dni na 64 kartach A100 [1]. Dla OpenVLA-OFT autorzy podają 1–2 dni fine-tuningu na 8 kartach A100 lub H100 [7]. Repozytorium OpenVLA opisuje wymagania, komendy instalacji i przykładowe uruchomienie, ale nie gwarantuje czasu konfiguracji [8]. Dokumentacja WALL-OSS pokazuje instalację, przygotowanie danych, fine-tuning i serving, również bez deklaracji czasu [2]. Zestawienia porównawcze wskazują rozrzut parametrów od 450M do 7B, a udokumentowana dolna granica pamięci do fine-tuningu wynosi 22,5 GB i rośnie do węzła ośmiu A100 [9]. To różnica, która decyduje o budżecie projektu bardziej niż sama liczba parametrów.
Ile VRAM i jakiego GPU potrzebuje każdy z modeli?
Dla bazowego OpenVLA publikacja podaje około 15 GB VRAM w bfloat16 na RTX 4090 [1]. Minimalne 22,5 GB pojawia się w zestawieniach jako dolna granica fine-tuningu dla najmniejszych modeli z rodziny VLA, a górna to węzeł ośmiu A100 [9]. π0.6 zmierzono na pojedynczym H100 przy trzech kamerach i pięciu krokach denoisingu [3]. Dla π0 podano RTX 4090 i 73 ms na blok akcji [6]. Te liczby nie odpowiadają na pytanie, ile pamięci wystarczy do sterowania UR5 w hali, bo nie obejmują preprocessingu obrazów, komunikacji z kontrolerem ani nakładu na wykonywanie akcji.
Co sprawdzić przed wdrożeniem na UR5?
Protokół pomiaru jest ważniejszy niż sama liczba. Karta π0.6 wymienia GPU, liczbę kamer, rozdzielczość, długość bloku akcji, preprocessing, komunikację i częstotliwość wykonywania akcji [3]. Bez tych parametrów porównanie dwóch modeli jest porównaniem dwóch różnych eksperymentów. π0.6 jest udostępniony w repozytorium openpi [10]. W społeczności pojawiają się wątki o wyborze baseline'u dla realnego stosu manipulacji [11] oraz o WALL-OSS-0.5, modelu 4B z otwartym kodem treningowym [12]. Dla UR5 warto sprawdzić istniejące przestrzenie robocze społeczności, takie jak repozytorium dla UR5e [13], oraz dokumentację ramienia [14]. Praktyczny plan przejścia od pilotażu do produkcji opisujemy w tekście Praktyczne zastosowania AI: od pilotażu do produkcji, a kwestie wyboru sprzętu i benchmarków w Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw. Osobno warto przeczytać o kosztach pracy z modelami w Codex w data science.
Czym różni się π0.6 od π*0.6?
π*0.6 to wariant uczony metodą RECAP, która łączy demonstracje, korekty operatora i uczenie ze wzmocnieniem z doświadczenia robota [15][16]. Raportowane ponad dwukrotne zwiększenie przepustowości dotyczy wybranych zadań i tego wariantu, nie bazowego π0.6 ani ogólnego wdrożenia na UR5 [15]. Przy porównaniach warto więc sprawdzić, czy liczba pochodzi z karty π0.6, czy z raportu o π*0.6.
Jakie wnioski płyną z dostępnych źródeł?
Trzy modele, trzy różne statusy i trzy protokoły. OpenVLA jest najlepiej udokumentowany pod kątem liczb inferencji i pamięci [1][8], WALL-OSS ma jasną datę publikacji i opis architektury, ale bez znormalizowanych pomiarów [2][5], a π0.6 ma precyzyjnie opisany protokół bloku akcji na H100 [3]. Zestawienia porównawcze VLA z 2026 roku [17][18][19] porządkują architektury i wymagania sprzętowe, ale nie zastępują pomiaru na własnym stanowisku. Przy planowaniu wdrożenia na UR5 najbezpieczniejsze jest założenie, że żadna z publikowanych liczb nie opisuje tego ramienia, dopóki nie zostanie zmierzona w docelowej konfiguracji.
Najczęstsze pytania
Czy OpenVLA, WALL-OSS i π0.6 da się porównać na podstawie publikacji?
Częściowo. Publikacje opisują architekturę, dane treningowe i pojedyncze pomiary inferencji, ale nie ma wspólnego benchmarku na UR5 [1][2][3]. Każdą liczbę trzeba przypisać do modelu, GPU i protokołu. Bez tego porównanie miesza różne eksperymenty.
Co oznacza 63 ms w karcie π0.6?
To czas wygenerowania bloku akcji przy pięciu krokach denoisingu, trzech kamerach i jednym H100 [3]. Nie obejmuje pełnego cyklu sterowania robotem ani komunikacji z kontrolerem. Nie jest to też pomiar na UR5.
Ile VRAM potrzebuje bazowy OpenVLA?
Publikacja podaje około 15 GB w bfloat16 na RTX 4090 i około 6 Hz inferencji [1]. Autorzy wskazują ograniczenia dla sterowania 50 Hz. Wyższe wymagania pojawiają się przy fine-tuningu, gdzie dolna granica w zestawieniach to 22,5 GB [9].
Czym jest OpenVLA-OFT i czy to ten sam model?
Nie. OpenVLA-OFT to późniejsza receptura z równoległym dekodowaniem, predykcją ciągłą i action chunking. Autorzy raportują 26× szybszą generację akcji i 97,1% średniej skuteczności LIBERO [7]. To wynik odrębnego wariantu, nie bazowego OpenVLA.
Czy WALL-OSS ma otwarty kod?
Tak. Model z dokumentacji WALL-OSS objęto licencją Apache 2.0, a integrację z LeRobot opisano publicznie [2][5]. Ogłoszenie modelu nastąpiło 8 września 2025 [5].
Źródła
- OpenVLA: An Open-Source Vision-Language-Action Model (arXiv, 2024)
- WALL-OSS — Hugging Face (dokumentacja LeRobot)
- π0.6 Model Card (Physical Intelligence, 2025)
- UR5 — ProCobot
- X Square Robot — WALL-A (X Square, 2025)
- π0: A Vision-Language-Action Flow Model for General Robot Control (arXiv, 2024)
- Fine-Tuning Vision-Language-Action Models: Optimizing Speed and Success (OpenVLA-OFT)
- openvla/openvla (GitHub)
- OpenVLA vs pi0 vs SmolVLA vs GR00T: Which VLA to Fine-Tune (Particula)
- Physical-Intelligence/openpi (GitHub)
- Looking for real world comparisons between WALL-OSS, pi0.6 and OpenVLA (Reddit)
- Wall-OSS-0.5: 4B VLA with open training code (Reddit)
- vla_ur5e_ws (GitHub)
- Universal Robots — Podręcznik użytkownika UR5/CB3 (PDF)
- π*0.6: A VLA that Learns from Experience (blog Physical Intelligence)
- π*0.6: a VLA That Learns From Experience (arXiv, 2025)
- VLA Models Comparison 2026 (Robotics Center)
- VLA Leaderboard 2026 (CodeSOTA)
- VLA Models for Robots: RT-2 vs OpenVLA vs π0 (RoboCloud)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji