Robotics / VLA

Die Preisgestaltung in dieser Kategorie ist noch nicht standardisiert. Die meisten Modelle auf dieser Seite laufen auf dedizierter GPU-Infrastruktur — Vast.ai, Replicate, selbst gehostet — und du zahlst pro Sekunde Inferenz-Rechenzeit statt pro Aufruf oder pro Token. Plane mit 0,001–0,01 € pro Inferenz-Schritt (ein Kameraframe plus eine Anweisung) auf H100-Klasse-Hardware. Eine kontinuierliche Policy, die mit 10 Hz läuft, kostet rund 0,36–3,60 € pro Stunde Roboter-Betrieb, vor Energie- und Aufsichtskosten.

Das Trade-off-Dreieck heisst Generalisierung, Latenz und physischer Umfang. Grössere VLAs (RT-2-X, OpenVLA-7B) generalisieren auf neue Objekte und Anweisungen, inferieren aber mit 1–3 Hz, was für Closed-Loop-Dexterous-Control zu langsam ist. Kleinere destillierte Modelle (Octo, π-0-fast, RDT-1B) erreichen 30–50 Hz, generalisieren aber nur innerhalb ihrer Trainingsverteilung. Für Tisch-Manipulation in einer kontrollierten Zelle ist meist das kleine schnelle Modell korrekt. Für Forschung, die Sprach- und visuelle Generalisierung braucht, ist es das grössere.

Achte auf den Sim-to-Real-Gap: Die meisten VLA-Trainingsdaten werden in der Simulation oder auf bestimmten Roboter-Embodiments erhoben. Deployment auf einem anderen Arm, Greifer oder einer anderen Kamera-Geometrie braucht typisch Fine-Tuning auf einigen Hundert bis einigen Tausend neuen Demonstrationen. Achte auch auf Sicherheit — diese Modelle geben gelegentlich unsichere Gelenktrajektorien aus; lass immer einen Low-Level-Safety-Filter (Gelenklimits, Kraftlimits, Arbeitsraumgrenzen) zwischen Policy und Hardware laufen.

Die Top-Picks oben decken das generalisierbarste Forschungs-Flagship, die günstigste Option für geteilte GPUs, das grösste Open-Weights-Modell und die schnellste Echtzeit-Control-Policy ab. Kommerzielle Managed-API-Angebote werden ergänzt, sobald Anbieter sie ausspielen.