Eigen onderzoek — Hyperion

Reachy-LeRobot

Een haalbaarheidsstudie: een vision-language-action-policy van 4 miljard parameters (π0.5) op één AMD Strix Halo-workstation, met een Reachy Mini-robot en SO-101-armen.

Wat we hebben gemeten

  • π0.5 volledige fine-tune — piekgeheugen

    Gemeten

    68.71 GB

  • Echte fine-tune (LIBERO, taalgeconditioneerd) — verlies

    Gemeten

    1.08 → 0.13 (300 steps)

  • Simulatiesucces (LIBERO-Spatial), gefinetunede policy

    Simulatie

    48/50

    Gefinetunede policy: 48/50 episodes (96%). Tien LIBERO-Spatial-taken die in de training voorkwamen, nieuwe startposities in de simulator, officiële LeRobot-evaluator. Eén trainingsseed, een aparte fine-tune van 1.000 stappen. Dit is een pilotresultaat dat op zichzelf staat; het wordt niet gepresenteerd als winst ten opzichte van een basislijn.

  • Cognitieve benchmark op robot (12 scènes) — waarnemen · begrijpen · interpreteren

    Op robot, droogloop

    waarnemen 10/12 · begrijpen 12/12 · interpreteren 10/12 · van begin tot eind 10/12

  • bf16-doorvoer vs. FP32 (ACT)

    Gemeten

    2.3× – 14.3×

Nog niet gemeten

  • Taaksuccespercentage op robot — de armlus is droogloop (nog geen fysieke beweging).
  • NPU-(XDNA2-)uitvoering — de INT8-toolchain valideert, maar geen DPU-subgraaf gecompileerd; alleen iGPU/CPU-fallback.
  • Convergentie (de fine-tune stopt bij 300 stappen), energie en multitask-generalisatie.
Belichaamde-AI-werk bespreken