Ek A · Büyük robot model'leri: π0, GR00T, Gemini Robotics

Büyük robot policy’lerinin üç ailesi, makalelerinden okunmuş hâliyle: neyi tüketiyorlar, ne üretiyorlar, ne kadar hızlılar ve sen neyi kendin çalıştırabilirsin.

Üçü de ders 41 anlamında vision-language-action model’idir: pretrained bir vision-language backbone’u artı action chunk’ları üreten bir action modülü. Aşağıdaki sayılar birincil kaynaklardan alıntıdır; ders 41’e atıf yapılan yerler dışında hiçbirini biz ölçmedik.

	π0 (Physical Intelligence)	GR00T N1 (NVIDIA)	Gemini Robotics (Gemini Robotics Team)
backbone	PaliGemma, 3B	Eagle-2 VLM (“System 2”), 1,34B	Gemini 2.0
action modülü	flow-matching action expert, 300M	flow matching ile eğitilmiş diffusion transformer (“System 1”)	bulutta VLA backbone’u + yerel action decoder
boyut	3,3B	2,2B (yayımlanan GR00T-N1-2B)	okuduğumuz bölümlerde belirtilmiyor
chunk	H = 50	H = 16	action chunk’ları
hız	RTX 4090’da chunk başına 73 ms (3 kamera); 50 Hz’e kadar kontrol	L40’ta 16 action’lık chunk başına 63,9 ms (bf16); System 2 10 Hz’de, System 1 action’ları 120 Hz’de	backbone < 160 ms, gözlemden chunk’a ~250 ms, efektif 50 Hz
veri	10.000 saat dexterous veri, 7 robot konfigürasyonu, 68 görev, artı OXE, DROID, Bridge	gerçek robot trajectory’leri, insan videoları, sentetik veri	bir ALOHA 2 filosundan büyük bir teleoperasyon dataset’i
gösterilen donanım	tek kol, iki kol, mobil manipülatörler	Fourier GR-1 humanoid, iki elli görevler	iki kollu ALOHA 2; başka bir iki kollu platforma ve bir humanoid’e uyarlanmış

π0. Black et al. (arXiv 2410.24164). Kod ve checkpoint’ler openpi’de: “pre-trained on 10k+ hours of robot data” olan π0, π0-FAST ve π0.5 temel modelleri, artı fine-tune edilmiş checkpoint’ler (örn. DROID, ALOHA, LIBERO). Orada listelenen gereksinimler: inference için > 8 GB GPU belleği, LoRA fine-tuning için > 22,5 GB, full fine-tuning için > 70 GB; yalnızca Ubuntu 22.04’te test edilmiş. LeRobot portu lerobot/pi0_base, 32 boyutlu action’lardan 50 adımlık chunk’larla float32’de 3501,4M parametre saklıyor (ders 41’de dosyalarından okundu, çıktı).

GR00T N1. NVIDIA (arXiv 2503.14734), “an open foundation model for generalist humanoid robots”. Kopyalamaya değer mühendislik fikri iki sistemli bölünme: yavaş bir akıl yürütme modülü (10 Hz), 16 adımlık chunk’lar üreten hızlı bir action modülünü (120 Hz) koşullandırıyor; ikisi uçtan uca birlikte eğitiliyor.

Gemini Robotics. Gemini Robotics Team (arXiv 2503.20020). İki model: robotları doğrudan kontrol eden ve yeni embodiment’lara fine-tune edilebilen bir VLA olan Gemini Robotics, ve embodied reasoning ekleyen Gemini Robotics-ER (nesne tespiti, işaretleme, trajectory ve grasp tahmini, 3D bounding box’lar). Latency bölünmesi (bulutta backbone, robotta decoder, chunking) büyük bir modelin 50 Hz’lik bir döngüye nasıl yetiştiğini gösteriyor.

SO-101’e ne taşınır. Üçü de yukarıdaki boyutlar için NVIDIA sınıfı bir GPU istiyor; hiçbiri bizim kolumuzda çalıştırılmadı. Küçük açık seçenek SmolVLA (450M, Ek B). Hangi modeli kullanırsan kullan, çıkışı ders 42’nin validation katmanından ve ders 15’in limitlerinden geçer.

Kaynaklar: π0, arXiv 2410.24164 · openpi · GR00T N1, arXiv 2503.14734 · Gemini Robotics, arXiv 2503.20020.