Robotics / VLA

Il pricing in questa categoria non è ancora standardizzato. La maggior parte dei modelli su questa pagina gira su infrastruttura GPU dedicata — Vast.ai, Replicate, self-hosted — e si paga per secondo di calcolo di inferenza piuttosto che per chiamata o per token. Pianificate intorno a €0,001-€0,01 per step di inferenza (un frame della telecamera più un'istruzione) su hardware classe H100. Una policy continua che gira a 10 Hz costa più o meno €0,36-€3,60 all'ora di operazione del robot, prima dei costi di energia e supervisione.

Il triangolo di compromessi è generalizzazione, latenza e scopo fisico. VLA più grandi (RT-2-X, OpenVLA-7B) generalizzano a oggetti e istruzioni nuove ma inferiscono a 1-3 Hz, troppo lento per controllo closed-loop e dexterous. I modelli distillati più piccoli (Octo, π-0-fast, RDT-1B) raggiungono 30-50 Hz ma generalizzano solo all'interno della loro distribuzione di training. Per la manipolazione tabletop in una cella controllata, il modello piccolo e veloce è di solito quello giusto. Per la ricerca che richiede generalizzazione linguistica e visuale, lo è il modello più grande.

Attenzione al gap sim-to-real: la maggior parte dei dati di training VLA viene raccolta in simulazione o su embodiment robot specifici. Distribuire su un braccio, un gripper o una geometria di telecamera diversi richiede tipicamente fine-tuning su un centinaio fino a qualche migliaio di nuove dimostrazioni. Attenzione anche alla sicurezza — questi modelli ogni tanto producono traiettorie articolari non sicure; eseguite sempre un filtro di sicurezza a basso livello (limiti articolari, limiti di forza, confini di workspace) tra la policy e l'hardware.

Le top picks qui sopra coprono il flagship di ricerca più generalizzabile, l'opzione più economica run-on-shared-GPU, il più grande modello open-weights e la policy di controllo in tempo reale più veloce. Le offerte commerciali managed-API verranno aggiunte man mano che i fornitori le lanciano.