Physical AI Lab // 第 2.3 話 // 小テスト
ひと言をわからせる
SmolVLAをファインチューニング：言葉の指示から動作へ
01
同じ SO-101 のデータなのに、ACT は「左に置いて」が分からず、SmolVLA は試せるのはなぜですか？
ACT はパラメータが少なく、言葉が入りきらない
SmolVLA は学習ステップが多く、あらゆる言い方を見た
ACT には視覚ネットワークがなく、目標が見えない
SmolVLA は指示も入力として受け取る
02
ファインチューニングを始めたら、すぐに GPU メモリ不足になった。動画がまず勧めるのは？
ゼロから学習に替えて、基盤の分のメモリを空ける
バッチサイズを下げる。遅いが収まる
学習ステップを2万から2000に減らす
カメラ入力を切り、関節の状態だけで学習する
03
ファインチューニング後、「コップを箱に入れて」はうまくできるのに、聞いたことのない妙な言い方にすると変な動きをする。いちばん妥当な説明は？
非同期推論が切れていて、計算が間に合わない
ファインチューニングで基盤が壊れ、ゼロから学び直しが必要
学んだ指示から外れた言い方で、汎化はやはりデータ次第
バッチが小さすぎて、言葉を覚えなかった
04
SmolVLA の非同期推論について、動画の説明に合うのはどれですか？
動きながら裏で次を計算する。サーバーが要る
モデルを小さくするので、推論が速くなる
これがあれば、ファインチューニングにお手本が要らない
ファインチューニング中だけ役立ち、運用時は切る
05
チームの実験で、SO-100 の成功率が 78.3% に達した。この結果が主に示すのは？
事前学習で土台を作ると、成功率が大きく上がる
SmolVLA はどのロボットでも約8割成功する
2万ステップ微調整すれば、成功率は78%で安定する
非同期推論で成功率が約3割上がった
答えを見る