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-smolvla-local-review-20261121/。仿真与离线推理的范围分别列明。
模型介绍
SmolVLA 把视觉语言骨干与动作专家结合,提供适合继续微调的轻量机器人基础模型。本次下载的是 smolvla_base,未针对本机机器人或所用任务重新训练。因此这篇测试回答部署、显存和真实观测上的推理问题,不宣称已经获得某项实机任务能力。
这篇记录关注的问题是:轻量 VLA 在 RTX 3060 上处理真实双相机画面和任务描述,需要多少资源与等待时间? 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.state
[6]
observation.images.camera1
[3, 256, 256]
observation.images.camera2
[3, 256, 256]
observation.images.camera3
[3, 256, 256]
action
[6]
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:float32,148.8M参数;bfloat16,301.2M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
5e8d12a6e2975b0e5e5fce7c8caf47c371d257b6
;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 0.91 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/svla_so100_stacking
的首个数据块与首个回合,均匀选择16个观测。输入为SO-100示教数据中记录的双相机实拍画面、任务描述及状态;状态维度 6,动作维度 6。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.top":"observation.images.camera1", "observation.images.wrist":"observation.images.camera2"}
。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
0.595 秒
;其余15个调用中位数
0.292 秒
,P95为
0.300 秒
。峰值PyTorch分配
1.19 GiB
,峰值进程RSS
2.94 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 red cube on top of the blue cube.
数据集观测 3
任务:Put the red cube on top of the blue cube.
数据集观测 6
任务:Put the red cube on top of the blue cube.
数据集观测 9
任务:Put the red cube on top of the blue cube.
数据集观测 12
任务:Put the red cube on top of the blue cube.
数据集观测 15
任务:Put the red cube on top of the blue cube.
从画面与日志里看到的细节
输入是公开SO-100堆叠示教中的实拍画面。顶视图能看到红、蓝积木的相对位置;腕部视角在一些时刻主要拍到近处桌面和夹爪。两个视角提供的信息不同,本轮没有做单相机/双相机消融,不能据此量化多相机带来的收益。
开头和结尾的画面能看到积木从分开放置到叠放,但这属于数据集原有的示教过程。本文只把这些观测送入基础模型做动作预测,没有把预测发给机器人。图中的堆叠不能记为本机SmolVLA完成的任务。
16个观测每次都重置动作队列,因此约0.292秒的中位数对应完整网络调用。它不是从50步缓存中反复取动作的速度,也不包含真实摄像头采集和机器人通信。实际加载参数混合使用BF16和FP32,不能只把450M乘以两个字节,就当成全部部署开销。
预测动作与示教动作的柱状图只是离线诊断。不同动作维度可能有不同单位和尺度,而且这份base检查点没有针对这个任务微调;输出有限数值、甚至某些维度接近示教,都不能替代闭环完成任务的证据。
这轮能支持的结论是:这台3060可以轻量运行该基础模型的双视角离线动作推理,后续若要做具体抓取或堆叠,还需要对应任务适配与独立的闭环评估。
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。
每个观测都重置动作队列,确保计时对应完整网络。预测与示教动作的差异只作诊断展示,不换算成任务成功率。
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-smolvla-local-review-20261121-rtx3060-smolvla-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 smolvla
项目/文档来源 1 https://huggingface.co/lerobot/smolvla_base
项目/文档来源 2 https://huggingface.co/docs/lerobot/smolvla
项目/文档来源 3 https://huggingface.co/datasets/lerobot/svla_so100_stacking
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 →