本机固定检查点的技术测评,完整图表、原片与复现包见主站:https://cherryquant.com/2026/11/21/rtx3060-pi05-local-review-20261121/。仿真与离线推理的范围分别列明。

模型介绍

π0.5 是将视觉、语言和机器人状态用于动作生成的基础模型。本次使用 LeRobot 发布的 pi05_base 与流匹配动作头;官方说明也指出,原研究中的部分组件没有包含在这一实现中。部署采用 BF16 以适配 12GB 显存,使用 LIBERO 仿真数据集的实际观测做离线推理。
这篇记录关注的问题是:更大的 VLA 基础模型,能否在这台机器上完成使用公开仿真观测的完整动作预测? 这里先说明模型和输入输出,再交代同一台服务器的环境,最后展开实际结果。
检查点输入/输出
原始形状
observation.images.base_0_rgb
[3, 224, 224]
observation.images.left_wrist_0_rgb
[3, 224, 224]
observation.images.right_wrist_0_rgb
[3, 224, 224]
observation.state
[32]
action
[32]
上表是下载检查点的原始特征声明。离线测试使用的数据集维度、相机映射与实际图像预处理见下节;这类接口适配不等于任务微调。
实际加载后的参数精度分布:bfloat16,3609.9M参数;float32,533.6M参数。这里包含冻结参数,不能当作训练时的可更新参数量。

本地硬件与部署环境

项目
本机环境
GPU
NVIDIA RTX 3060,12GB 显存
CPU
Ryzen 9 5900X,12核24线程
内存
约48GB,系统显示约46GiB
系统 / 驱动
Ubuntu 24.04 / NVIDIA 580.178.04
PyTorch
2.13.0+cu130
推理环境使用 LeRobot 0.7.0、Transformers 5.22.2。权重、依赖和测试数据都直接在服务器下载,优先使用清华 PyPI 镜像、ModelScope 同校验值文件及国内 HF 访问入口。模型固定在 revision
22c30e5b34f9e7ab738b1b34fc2fc5ecfe2d28f0
;大文件按来源清单核对 SHA-256,小配置核对 Git blob 指纹。来源与镜像对应关系随日志保存。
必要文件的逻辑大小约 14.47 GB,不能把这个数字当成显存需求。模型可能同时占用系统内存和显存,重复组件也可能被复用。下载与GPU测试可以并行,但GPU上的各模型按顺序运行。
这次没有使用云端推理服务,也没有把官方演示当成本机输出。测试过程中保留加载错误、兼容性修复和失败样例;下文中的结果只对应列出的配置。
数据来自
lerobot/libero
的首个数据块与首个回合,均匀选择16个观测。输入为LIBERO仿真环境记录的双视角画面、任务描述及状态;状态维度 8,动作维度 7。基础模型未做本任务微调,每个观测前重置队列,保证每次计时都重新运行网络。
相机映射:
{"observation.images.image":"observation.images.base_0_rgb", "observation.images.image2":"observation.images.left_wrist_0_rgb"}
。数据集统计通过官方处理器完成归一化和反归一化。
输入核对记录:这份LeRobot数据的任务文本位于tasks.parquet的行索引,不能把task_index数字当作语言。初次适配误读为数字0的运行已经封存;正文16条输出全部来自修正文本映射后的重跑,并逐条保留实际任务描述。

测评结果

16个数据集观测均返回有限数值的动作输出。首个完整网络调用
0.575 秒
;其余15个调用中位数
0.401 秒
,P95为
0.410 秒
。峰值PyTorch分配
8.87 GiB
,峰值进程RSS
25.12 GiB
。
这些数字证明部署与推理链路运行成功。输出动作没有执行到机器人或仿真环境;图中的操作属于数据集原有记录,不能计为本次模型的成功。
数据集观测 0
任务:put the white mug on the left plate and put the yellow and white mug on the right plate
数据集观测 3
任务:put the white mug on the left plate and put the yellow and white mug on the right plate
数据集观测 6
任务:put the white mug on the left plate and put the yellow and white mug on the right plate
数据集观测 9
任务:put the white mug on the left plate and put the yellow and white mug on the right plate
数据集观测 12
任务:put the white mug on the left plate and put the yellow and white mug on the right plate
数据集观测 15
任务:put the white mug on the left plate and put the yellow and white mug on the right plate
从画面与日志里看到的细节
这里的画面来自LIBERO仿真数据,不是实物相机拍摄。两个视角显示机械臂、杯子和盘子等场景要素,数据集记录的操作过程中杯子位置发生变化。本文没有把π0.5输出的动作送回环境,因此这些变化不能记为本次模型执行的成果。
16个实际数据集观测均完成完整网络调用,后续15次中位数约0.401秒。使用的状态维度是8、动作维度是7,模型内部仍有自己的最大维度与填充机制;不能把检查点原始32维特征声明,误当作本次数据集真的提供了32个传感器数值。
12GB显存能够完成这项测试,但RAM同样重要。本次PyTorch分配峰值约8.87GiB,进程峰值RSS约25.12GiB。BF16模式下仍有部分参数保持FP32,所以不能笼统地说整个4B级模型所有参数都以两个字节驻留。正文列出实际加载后的精度分布。
公开代码先在CPU加载权重,再转移至GPU;加载与动作推理时间分开记录。不同硬件、精度和软件版本可能改变内存峰值,这组数据只对应这台服务器和这份固定检查点。
动作对照是对基础模型的离线诊断,没有任务微调,也没有闭环执行。因此本文报告部署可行性、时延、内存与可见输出,不给出抓取成功率,也不凭这16个观测判断泛化能力。它与使用SO-100数据的SmolVLA不共享动作语义,不能直接拿原始动作差异做质量排名。
这次结果能支持什么
这是一项使用公开数据集输入的基础模型部署测试。没有任务微调,没有闭环执行,也没有评估对新物体和新相机布局的泛化;动作差异不能替代机器人完成任务的证据。两个VLA使用的数据与动作语义不同,不把差异数值直接排名。
公开精度、相机映射、状态维度和归一化方式。未做任务微调,也没有闭环执行,因此不给出抓取成功率或泛化能力排名。

复现与来源

下载测试脚本、固定版本清单与原始结果(ZIP) https://cherryquant.com/wp-content/uploads/2026/11/rtx3060-pi05-local-review-20261121-rtx3060-pi05-local-review-20261121-reproduction.zip
包内不含模型权重或账号信息;路径脱敏说明、环境快照与重跑步骤见README。
本次使用服务器上的固定检查点与隔离环境。查看状态和重跑的入口如下;具体采样参数、原始种子及计时边界已在上文列出。
python scripts/status.py
./envs/robotics/bin/python scripts/benchmark_robotics.py pi05
项目/文档来源 1 https://huggingface.co/lerobot/pi05_base
项目/文档来源 2 https://github.com/Physical-Intelligence/openpi
项目/文档来源 3 https://huggingface.co/datasets/lerobot/libero
本文根据本机测试日志撰写,使用AI辅助整理与制图。官方模型页、示意图、真实数据观测和本机生成结果分别标注。

将入围名单转化为决定

写下任务、操作条件、成功标准和总拥有成本。请入围供应商展示您的代表性任务,包括故障恢复。对每个候选人使用相同的验收测试。

探索完整的机器人目录 →