Flex-π 베이스 모델 유무 & clean-50 리더보드 프로토콜 학습 가능성 조사

TL;DR

베이스 모델 미공개: 논문의 AgiBot World-Beta ~500h 사전학습 ckpt는 "not released yet" — shipped task config는 전부 Wan2.2-TI2V-5B init + ActionDiT(Wan2.2 보간 초기화)에서 직접 finetune
clean 50 ep 위치 실측 확정: task당 550 ep 중 idx 500-549 = clean(RGB diff로 검증), idx 0-499 = randomized 위주
실행 비용 재산정: clean-only면 데이터 ~180GB(ffv1 제외 시)의 ~9%, text-embed 캐시는 1TB→2,500 prompt(전체의 0.24%)로 축소 — 실행 장벽이 예상보다 낮음
미착수: 사용자 결정 "설명만, 아직 안 함"(2026-08-28) — 계획 승인 대기

500-549

Clean ep idx/task

180GB

데이터(ffv1 제외)

2,500

필요 text prompt

실행 착수 여부

1 배경 / 목적

사용자 질문: "Flex-π의 RoboTwin finetune 이전 베이스 모델이 있나? clean 50 demo만 학습해 테스트하고 싶다." 이는 같은 날 확정된 ralplan 합의 연구계획(claude/260828/research-ralplan_adaptive_regime.md)의 P-C 축("리더보드-프로토콜 demo-scarce")과 동일한 무대 — 학습 데이터를 clean 50 ep/task로 고정하고 init을 자유롭게 두는 시나리오가 실제로 실행 가능한지, 어떤 준비가 필요한지를 코드베이스·데이터셋 레벨에서 먼저 확인했다.

기존 한계: 논문 Fig 10은 AgiBot World-Beta ~500h 사전학습 + 도메인 finetune 결과라 리더보드 프로토콜(사전학습 없이 지정 학습셋만)과 직접 비교 불가 — 베이스 모델 존재 여부부터 확인이 필요했다.

2 작업 내용

레포 문서·소스·실제 변환 데이터 3갈래로 조사했다.

1) 사전학습 베이스 확인 - docs/OVERVIEW.md:135-138, README "stay tuned" 근거로 로봇 사전학습 ckpt 미공개 확인 - shipped task config 전수 확인 → 전부 Wan-2.2-5B init에서 시작 2) NUM_EPISODES_PER_TASK=50 동작 확인 - base_lerobot_dataset.py:186-190 → task당 550개 중 seed 무작위 샘플 - randomized 위주 샘플링, clean-only 아님 (별도 인덱스 지정 필요) 3) clean 에피소드 인덱스 실측 검증 - third_party/RoboTwin/script/convert_robotwin_to_lerobot.sh:28 → 변환 기본 순서 demo_randomized → demo_clean - tmp/hf_meta/ 프레임 비교: adjust_bottle ep 500-502 첫 프레임 배경 균일(mean RGB≈236, top-40행 diff 0.6-0.9) vs ep 0-2 랜덤 텍스처(diff 32-38, cross diff 166) - 결론: task당 start+500..549 = clean 4) 데이터 볼륨 재계산 - HF dataset card + configs/data/robotwin.yaml:3 → 27,500 ep(550/task), 240x320, 50Hz, 3캠 RGB(AV1) + depth(ffv1/x264rgb 이중), ~275GB - loader는 x264rgb만 사용 → ffv1 제외 시 ≈180GB - clean 2,500 ep만이면 전체의 ≈9% 5) text-embed 캐시 재계산 - meta/info.json, robot_video_dataset.py:151 → 코퍼스 1,039,891 prompt(ep당 100개), 로더는 task_index 1개/ep 사용 - clean 2,500 ep만 인코딩 시 1TB 캐시 불필요

3 결과

항목	확인 사실	근거
로봇 사전학습 베이스	미공개 (Wan2.2-5B init에서 직접 finetune)	docs/OVERVIEW.md:135-138, README
clean 에피소드 인덱스	task당 idx 500-549 (실측 RGB diff로 확정)	convert_robotwin_to_lerobot.sh:28, tmp/hf_meta/
전체 변환 데이터셋	27,500 ep, ~275GB (ffv1 포함)	HF dataset card
ffv1 제외 데이터	~180GB (clean-only는 이 중 ~9%)	configs/data/robotwin.yaml:3
필요 text-embed prompt	2,500 / 1,039,891 (0.24%) → 1TB 캐시 불필요	meta/info.json, robot_video_dataset.py:151

핵심 발견: clean-50 실행에 필요한 데이터·캐시 규모가 애초 우려(275GB + 1TB text-embed)보다 훨씬 작음(180GB + 소수 prompt 인코딩) — demo-scarce 실험의 인프라 장벽이 낮다.

제약: 사전학습 베이스가 없으므로 clean-50 finetune 결과는 논문 Fig 10(사전학습 포함) 대비 낮게 나올 것으로 예상 — 리더보드 프로토콜(학습 데이터만 고정, init 자유)과는 정합하지만 논문 수치와 직접 비교 불가.

4 Takeaway

의미

Flex-π가 로봇 사전학습 ckpt를 공개하지 않은 이상, clean-50 실험은 "논문 재현"이 아니라 "Wan2.2 init에서 demo-efficiency를 측정하는 리더보드 프로토콜 실험"으로 프레이밍해야 정합적이다. 이 조사로 ralplan의 P-C 축(demo-scarce)이 실제로 실행 가능한 경로임을 확인했고, 예상보다 가벼운 데이터/캐시 요구량(180GB, 소수 prompt)은 Phase 4 계획 실행의 우선순위를 높이는 근거가 된다.

5 Next Steps

미해결 한계

clean-only 선택 다운로드가 loader 초기화와 호환되는지 미검증. text-embed task_index 필터를 precompute_text_embeds.py에 실제로 추가하지 않음 — 현재는 설계만 된 상태.

다음 작업 (사용자 승인 후, 미착수)

1) 학습 전용 env flexpi 신규 구축(torch 2.7.1+cu128, deepspeed, conda cuda-nvcc 12.8, torchcodec 0.5, decord2, ffmpeg7) — eval env(torch 2.8)와 별개 유지.
2) 데이터 다운로드(ffv1 제외 ~180GB 권장, clean-only 선택 다운로드는 사전 호환성 검증 필요).
3) task_episode_map_clean50.json(start+500..549) 생성 + loader map 경로 오버라이드 1줄 + precompute_text_embeds.py task_index 필터 추가.
4) 100-step smoke로 step 시간 실측 → sbm ... --qos=own --gres=gpu:8 -c 64 --mem 1600GB.
5) 리더보드 비교 평가: _eval_step_limit.yml을 upstream 값으로 교체 후 clean2clean/clean2random 100 ep 평가.