13 августа Hugging Face и авторы из AWS описали рабочий цикл для робототехники, который объединяет Strands Robots, LeRobot и Hugging Face Storage Buckets. Агент записывает демонстрации робота, синхронизирует набор данных с хранилищем, передаёт кадры на обучение потоком и загружает полученную политику обратно на оборудование. На всех этапах сохраняется исходный дисковый формат LeRobot, поэтому отдельное преобразование данных не требуется.
Strands Robots — открытый SDK AWS под лицензией Apache 2.0. Он представляет роботов, симуляцию и компоненты LeRobot как инструменты для агента Strands. В показанном сценарии один объект Robot() записывает демонстрацию SO-100 в симуляции, отправляет её в Storage Bucket и затем читает обратно. Для физического SO-101 меняется режим работы; записанные на оборудовании эпизоды можно возвращать в то же хранилище.
Storage Buckets используются как изменяемый, неверсионируемый рабочий слой, тогда как отобранные версии данных по-прежнему можно публиковать в обычном репозитории. По описанию Hugging Face, основанная на Xet дедупликация передаёт только изменившиеся фрагменты. В приведённых компанией измерениях повторная отправка файла размером 500 МБ после изменения 1%, 5% и 10% данных потребовала соответственно 5,5, 27,5 и 55 МБ передачи.
Для обучения StreamingLeRobotDataset выполняет диапазонные запросы к удалённым сегментам: изображения декодируются из MP4 по мере обхода, а состояния и действия читаются из Parquet. Полная локальная копия набора не создаётся, хотя небольшая папка метаданных сохраняется на машине. Хранилища этого типа поддерживают только потоковый режим, поэтому при запуске тренера LeRobot параметр repo_type=bucket требуется сочетать со streaming=true.
Авторы также показали локальное обучение политики ACT через общий интерфейс Trainer и TrainSpec. В их конфигурации 500 шагов оптимизации модели с 51,6 млн параметров, эффективным размером пакета 8 и эпизодом на 120 кадров заняли 133 секунды на одном NVIDIA L4. Hugging Face подчёркивает, что это результат одной конфигурации, а не универсальный тест производительности: время зависит от объёма данных, размера пакета и числа шагов.
Практический контекст: Практически схема разделяет быстро меняющийся рабочий набор и публикуемые версии, одновременно устраняя обязательное предварительное копирование всего массива на узлы с GPU. Наибольший эффект ожидаем там, где записи регулярно дополняются и содержат много повторяющихся фрагментов. Однако демонстрационный путь по умолчанию использует фиктивную политику: он создаёт структурно корректный, но непригодный для полезного обучения набор. Для реального поведения нужна обученная политика, а заявленные показатели передачи и скорости не следует переносить на другую инфраструктуру без собственных измерений.
| Изменено данных | Передано при повторной загрузке |
|---|---|
| 1% | 5,5 МБ |
| 5% | 27,5 МБ |
| 10% | 55 МБ |
Минимальная среда для демонстрационного цикла
Авторы указывают Python 3.12+ на Linux или macOS, совместимого со Strands поставщика модели и strands-robots версии не ниже 0.5.1 с дополнениями sim-mujoco и lerobot. Базовый путь запускается на ноутбуке, но использует фиктивную политику.
Дополнительные требования для хранилищ, обучения и оборудования
Для Storage Buckets нужны аккаунт Hugging Face, токен с правом записи, CLI и huggingface-hub версии от 1.6.0 до 2.0.0. Аппаратный путь требует поддерживаемого LeRobot робота и файлов калибровки; локальный вывод VLA — GPU NVIDIA; тренировка через встроенный шаг — пакет lerobot с дополнением training.
Источники
Дата события: 2026-08-13. Дата первоисточника: 2026-08-13.
