robotwin2_idm 번들, demo_clean 3 task × 5 ep = 15/15 (job 181500, 20분 31초)Long-WAM(NVlabs/LongLive/Long-WAM, arXiv 2610.10528)을 연구 베이스로 쓰기 전에, 공개 가중치/코드로 RoboTwin 2.0에서 (1) 공개 체크포인트 평가 (2) Robot-S 비디오 가중치 기반 학습 (3) 본 학습 비용을 확인.
HF Efficient-Large-Model 13개 repo public/ungated. policy 번들 12GB, Robot-S/M 20GB. 미공개: 초기화 2종(longlive_ar_video_expert.pt, ActionDiT_from_longlive_ar_1024hdim.pt), Stage1 데이터, Robot-L, GR1 P768, Domino ckpt.
train_transforms 키가 없어 LongWAMProcessor.__init__() TypeError. 번들은 그대로 두고 eval 워커가 train_transforms: null 사본을 사용(eval은 val_transforms만 사용).| Job | 내용 | 결과 | 시간 |
|---|---|---|---|
| 181500 | eval, robotwin2_idm, demo_clean, lift_pot/click_bell/adjust_bottle × 5 ep | 15/15 | 20분 31초 (task당 5~8분) |
| 181499 | train smoke, 1 GPU, bs16, 40 step | loss 3.05→0.93 | 11분 06초 |
| 181487 | eval 실패 | draccus 누락 | - |
| 181491 | eval 실패 | train_transforms TypeError | - |
step 1→39 구간 218초 = 평균 5.7 s/step. 인접 step 간격 2~3초 구간이 있어 dataloader 정체가 섞임(-c 12, num_workers 8). VRAM은 측정 못 함(job 종료 후 sjob 조회 불가). Robot-S model.pt(825 keys)는 변환 없이 strict 로드, ActionDiT는 랜덤 초기화.
| 가정 | 속도 | 총 소요 (29.9K update, 8 GPU) |
|---|---|---|
| 스모크 실측 선형 확장 | 2.8 samples/s/GPU | 약 15.8일 |
| 순간 간격 기준 | 2.3 s/step (7 samples/s/GPU) | 약 6.3일 |
train 샘플 6,119,051/epoch × 5 epoch, global batch 1024. text cache: 필요 1,039,891 프롬프트 중 902,384개 누락(기존 137,507개, 약 0.9TB 추가). job 181534(2 GPU, overwrite=false)로 생성 중, rank당 약 135 prompt/s.
RoboTwin 평가 경로가 클러스터에서 end-to-end로 동작(저자 감사에서 미완이던 부분). 학습 코드와 Robot-S 초기화 경로도 동작. 병목은 코드가 아니라 비용: 풀 레시피는 8 GPU로 1~2주 규모. 단, 15/15는 쉬운 3 task라 변별력이 없고, 8 GPU throughput은 외삽치.
8 GPU 실제 throughput/VRAM 미측정. dataloader 병목 의심(평균 5.7 s/step vs 순간 2~3 s/step). 비교 기준선이 3 task뿐. Robot-S가 논문의 video 초기화와 동일한지 불명.
(1) text cache job 181534 완료 및 verify 확인 (2) -c, num_workers 상향 후 재측정 (3) 평가 부분집합 확대(demo_randomized, ep 수 증가) (4) 본 학습 규모 결정(풀 5 epoch vs 축소).