Robotics / VLA

O pricing nesta categoria ainda não é standardizado. A maior parte dos modelos nesta página corre em infraestrutura GPU dedicada — Vast.ai, Replicate, self-hosted — e paga-se por segundo de computação de inferência em vez de por chamada ou por token. Planeie €0,001-€0,01 por passo de inferência (um frame de câmara mais uma instrução) em hardware de classe H100. Uma policy contínua a 10 Hz custa cerca de €0,36-€3,60 por hora de operação do robô, antes dos custos de energia e supervisão.

O triângulo de compromissos é generalização, latência e âmbito físico. Os VLAs maiores (RT-2-X, OpenVLA-7B) generalizam para objetos e instruções novos mas fazem inferência a 1-3 Hz, demasiado lento para controlo dexterous em malha fechada. Modelos destilados mais pequenos (Octo, π-0-fast, RDT-1B) atingem 30-50 Hz mas só generalizam dentro da distribuição de treino. Para manipulação tabletop numa célula controlada, o modelo pequeno e rápido é normalmente o correto. Para investigação que precisa de generalização linguística e visual, é o modelo maior.

Atenção ao gap sim-to-real: a maior parte dos dados de treino dos VLA é recolhida em simulação ou sobre embodiments de robô específicos. Implementar num braço, gripper ou geometria de câmara diferentes requer normalmente fine-tuning sobre centenas a milhares de novas demonstrações. Atenção também à segurança — estes modelos por vezes geram trajetórias de articulação inseguras; coloque sempre um filtro de segurança de baixo nível (limites de articulação, limites de força, fronteiras de workspace) entre a policy e o hardware.

As top picks acima cobrem o flagship de investigação mais generalizável, a opção mais barata para correr em GPU partilhada, o maior modelo open-weights e a policy de controlo em tempo real mais rápida. Ofertas comerciais com API gerida serão acrescentadas à medida que os fornecedores as lançarem.