Eigene Forschung — Hyperion

Reachy-LeRobot

Eine Machbarkeitsstudie: eine 4-Mrd.-Parameter-Vision-Language-Action-Policy (π0.5) auf einer einzigen AMD-Strix-Halo-Workstation, mit einem Reachy-Mini-Roboter und SO-101-Armen.

Was wir gemessen haben

  • π0.5-Voll-Fine-Tune — Spitzenspeicher

    Gemessen

    68.71 GB

  • Echtes Fine-Tune (LIBERO, sprachkonditioniert) — Loss

    Gemessen

    1.08 → 0.13 (300 steps)

  • Simulationserfolg (LIBERO-Spatial), feinabgestimmte Policy

    Simulation

    48/50

    Feinabgestimmte Policy: 48/50 Episoden (96%). Zehn im Training gesehene LIBERO-Spatial-Aufgaben, neue Startpositionen im Simulator, offizieller LeRobot-Evaluator. Ein Trainings-Seed, ein separates Fine-Tune mit 1.000 Schritten. Das ist ein einzelnes Pilotergebnis; es wird nicht als Verbesserung gegenüber einer Baseline dargestellt.

  • Kognitiver Benchmark am Roboter (12 Szenen) — wahrnehmen · verstehen · interpretieren

    Am Roboter, Trockenlauf

    wahrnehmen 10/12 · verstehen 12/12 · interpretieren 10/12 · Ende-zu-Ende 10/12

  • bf16-Durchsatz vs. FP32 (ACT)

    Gemessen

    2.3× – 14.3×

Noch nicht gemessen

  • Aufgaben-Erfolgsrate am Roboter — die Arm-Schleife ist Trockenlauf (noch keine physische Bewegung).
  • NPU-(XDNA2-)Ausführung — die INT8-Toolchain validiert, aber kein DPU-Subgraph kompiliert; nur iGPU/CPU-Fallback.
  • Konvergenz (das Fine-Tune stoppt bei 300 Schritten), Energie und Multi-Task-Generalisierung.
Über verkörperte-KI-Arbeit sprechen