我在一台六核台式机上运行两个机器人基础模型

OpenPI的Pi0一个动作也没有生成。JAX还在恢复检查点时，操作系统就终止了进程。SmolVLA能够运行，但生成50个动作的中位耗时为7.1秒，而这些动作只覆盖2.5秒的控制时间。

这些数字并不漂亮，但回答了我的问题。我没有机器人专业背景，想看看在没有机器人实验室和昂贵GPU的情况下，常规AI工程能让我走多远。我从一个仿真任务出发，搭建了通往两个真实视觉语言动作模型的可复现路径，然后在桌上的六核电脑上运行它们。

先得到公平的输入

我从ManiSkill的PushCube-v1开始。Panda机械臂需要把蓝色方块推到红白目标上。我重放公开演示，把每条轨迹保留到首次成功，将动作裁剪到仿真器声明的范围，并把四个成功回合导出为LeRobot v3数据集。最终有62帧，每帧包含一张RGB图像、25个状态值、8维关节动作和一句语言指令。

计时前，我要求两条预处理路径证明它们接收的是同一组有序张量。SmolVLA和OpenPI Pi0都通过了全部62帧。图像和分词路径不同，但两者都输出32维状态和50 x 32动作块。数据集校验和、模型提交、分词器版本、归一化统计与输出校验和都在公开比较仓库中。

基准测试

测试使用第一帧已验证的PushCube输入，批量为1，十步流匹配去噪，以及固定的全零噪声。计时区间只有模型动作采样，不包含预处理、后处理、下载和模型加载。每个进程使用六个CPU线程。机器是Intel Core i5-8500T，14 GiB内存和4 GiB交换空间，没有受支持的加速器。

结果	SmolVLA	OpenPI Pi0
检查点仓库	0.915 GB	12.014 GB
加载或恢复	11.04秒	恢复时失败
首次推理	7.069秒	未到达
热运行中位数	7.112秒	未到达
热运行p95	8.240秒	未到达
进程峰值内存	3.669 GiB	终止前8.754 GiB

SmolVLA完成了首次运行和五次热运行，范围为6.930至8.464秒。数据集控制频率为20 Hz，50个动作只够2.5秒，因此中位生成时间是执行窗口的2.84倍。把推理放到另一个线程也无法补上差额，动作队列仍会耗尽。

OpenPI发布的Pi0基础检查点大得多，并建议推理使用超过8 GB显存的NVIDIA GPU。我仍然尝试CPU路径，因为边界本身有意义。59.09秒后，进程在恢复参数时达到9,179,400 KiB常驻内存，随后被signal 9终止。模型尚未构建，因此表中没有Pi0延迟数字。

这次失败说明什么

在这台机器上的可部署性很清楚。SmolVLA装得下并能运行。Pi0在这套共享的14 GiB桌面环境中无法通过JAX恢复阶段。SmolVLA策略仓库不到1 GB，Pi0检查点超过12 GB。这个差距先于延迟，直接决定我能在本地开始哪些实验。

SmolVLA能运行仍不等于实时。每个动作块7.1秒，足以检查输出、验证适配器或做缓慢的离线评估，却无法持续供应20 Hz控制器。下一次延迟比较应在两者都能完成的加速器上进行，每次调用都要同步，并增加运行次数以描述波动。

这也不是策略质量比较。两个基础检查点都没有针对PushCube微调，我也没有在仿真中评估生成动作的成功率。测试只回答了在固定本地资源预算下，软件和模型能否把同一有效观测变成一个动作块。

为什么我把它算作机器人工作

有用的部分大多是工程工作：追踪观测和动作契约，把一个数据集适配到两个模型API，固定版本，检查张量语义，隔离高内存进程，并且不把失败的运行改写成虚构的比较。OpenPI的失败比一次成功的秒表读数更难记录。我使用独立子进程和外部资源监视器，避免内存终止抹掉证据。

完整基准测试包括脚本、测试、原始测量和“部分结果”标签，位于Experiment 005。下一步是在GPU上补齐Pi0数字，然后扩大PushCube数据集并用留出的种子做回放评估。到那时，比较才会从数据管道和部署限制走向两个模型能否学会任务。