Robotics / VLA

La tarification dans cette catégorie n'est pas encore standardisée. La plupart des modèles de cette page tournent sur infrastructure GPU dédiée — Vast.ai, Replicate, auto-hébergé — et vous payez à la seconde de compute d'inférence plutôt qu'à l'appel ou au token. Comptez 0,001 à 0,01 € par étape d'inférence (une frame caméra plus une instruction) sur hardware classe H100. Une politique continue tournant à 10 Hz coûte environ 0,36 à 3,60 € par heure d'opération robot, hors coûts d'énergie et de supervision.

Le triangle de compromis est généralisation, latence et portée physique. Les VLA plus grands (RT-2-X, OpenVLA-7B) généralisent à des objets et instructions inédits mais inférent à 1 à 3 Hz, ce qui est trop lent pour le contrôle dextérité en boucle fermée. Les modèles distillés plus petits (Octo, π-0-fast, RDT-1B) atteignent 30 à 50 Hz mais ne généralisent que dans leur distribution d'entraînement. Pour la manipulation sur table dans une cellule contrôlée, le petit modèle rapide est généralement correct. Pour la recherche qui a besoin de généralisation langagière et visuelle, le plus grand l'est.

Attention au gap sim-to-real : la plupart des données d'entraînement VLA sont collectées en simulation ou sur des embodiments robot précis. Déployer sur un autre bras, une autre pince ou une autre géométrie de caméra nécessite typiquement un fine-tuning sur quelques centaines à quelques milliers de nouvelles démonstrations. Attention aussi à la sécurité — ces modèles sortent occasionnellement des trajectoires articulaires unsafe ; lancez toujours un filtre de sécurité bas niveau (limites articulaires, limites de force, limites de workspace) entre la politique et le matériel.

Les top picks ci-dessus couvrent le phare de recherche le plus généralisable, l'option à exécuter sur GPU mutualisé la moins chère, le plus grand modèle open-weights et la politique de contrôle temps réel la plus rapide. Les offres API managées commerciales seront ajoutées au fur et à mesure que les fournisseurs les lanceront.