Robotics / VLA

La tarificación en esta categoría aún no está estandarizada. La mayoría de los modelos en esta página corren en infraestructura GPU dedicada — Vast.ai, Replicate, auto-alojada — y pagas por segundo de cómputo de inferencia en lugar de por llamada o por token. Planifica en torno a 0,001-0,01 € por paso de inferencia (un fotograma de cámara más una instrucción) en hardware de clase H100. Una política continua corriendo a 10 Hz cuesta aproximadamente 0,36-3,60 € por hora de operación de robot, antes de costes de energía y supervisión.

El triángulo de compromiso es generalización, latencia y alcance físico. Los VLA más grandes (RT-2-X, OpenVLA-7B) generalizan a objetos e instrucciones nuevas pero infieren a 1-3 Hz, lo cual es demasiado lento para control diestro en bucle cerrado. Los modelos destilados más pequeños (Octo, π-0-fast, RDT-1B) alcanzan 30-50 Hz pero solo generalizan dentro de su distribución de entrenamiento. Para manipulación sobre mesa en una celda controlada, el modelo pequeño y rápido suele ser correcto. Para investigación que necesita generalización lingüística y visual, lo es el modelo más grande.

Cuidado con la brecha sim-to-real: la mayoría de los datos de entrenamiento de VLA se recogen en simulación o en encarnaciones robóticas específicas. Desplegar en un brazo, pinza o geometría de cámara distintas suele requerir afinado con unos cientos o unos miles de demostraciones nuevas. Cuidado también con la seguridad — estos modelos ocasionalmente emiten trayectorias articulares inseguras; ejecuta siempre un filtro de seguridad de bajo nivel (límites articulares, límites de fuerza, límites de área de trabajo) entre la política y el hardware.

Las selecciones principales arriba cubren el puntero de investigación más generalizable, la opción más barata para correr en GPU compartida, el modelo de pesos abiertos más grande y la política de control en tiempo real más rápida. Las ofertas comerciales de API gestionada se añadirán según los proveedores las lancen.