Recherche en propre — Hyperion
Reachy-LeRobot
Une étude de faisabilité : exécuter une politique vision-langage-action de 4 milliards de paramètres (π0.5) sur une seule station AMD Strix Halo, avec un robot Reachy Mini et des bras SO-101.
Ce que nous avons mesuré
- Mesuré
Fine-tune complet π0.5 — mémoire de pointe
68.71 GB
- Mesuré
Fine-tune réel (LIBERO, conditionné par le langage) — perte
1.08 → 0.13 (300 steps)
- Simulation
Succès en simulation (LIBERO-Spatial), modèle affiné
48/50
Modèle affiné : 48/50 épisodes (96 %). Dix tâches LIBERO-Spatial vues à l'entraînement, nouvelles positions de départ dans le simulateur, évaluateur officiel LeRobot. Une seule graine d'entraînement, un fine-tune distinct de 1 000 étapes. C'est un résultat pilote isolé ; il n'est pas présenté comme un gain par rapport à une référence.
- Sur robot, à blanc
Benchmark cognitif sur robot (12 scènes) — percevoir · comprendre · interpréter
percevoir 10/12 · comprendre 12/12 · interpréter 10/12 · de bout en bout 10/12
- Mesuré
Débit bf16 vs FP32 (ACT)
2.3× – 14.3×
Pas encore mesuré
- Taux de succès des tâches sur robot — la boucle du bras est à blanc (pas encore de mouvement physique).
- Exécution NPU (XDNA2) — la chaîne INT8 se valide, mais aucun sous-graphe DPU compilé ; repli iGPU/CPU uniquement.
- Convergence (le fine-tune s'arrête à 300 étapes), énergie et généralisation multitâche.