VLA

在 30k baseline 提交之后，我继续对 SmolVLA 进行 scale：从 30k → 50k → 70k → 90k 逐步加训，每阶段评测四类衣物的效果。本文详细对比 70k 和 90k 在四类任务上的完整评测结果，记录"为什么明明 90k 多训了 20k 步，最终却选了 70k"，以及我对 scaling 在这个任务上演化趋势的观察。

我试图用 pi0.5 冲一波分。结果一头扎进了依赖地狱：LeRobot pi0.5 需要特定版本的 transformers（4.53.2，不是 4.57.6）、需要 OpenPI 的 `transformers_replace` 补丁、需要 Hugging Face token 授权 paligemma 模型。本文记录完整的排障过程、LoRA 微调训练（sanity check → 30k → 150k → 270k）、以及最终"初具人形但依旧悬空"的评测效果。在截止前未能得到可用结果，pi0.5 最终未作为主力方案。

在 ACT 和 DP 之后，我开始尝试 SmolVLA。选择 SmolVLA 的理由很简单——它是一个相对轻量的 VLA 模型，官方提供了预训练权重和训练配置，在有限算力下跑起来比较现实。本文记录从首次 smoke test、发现并修复 camera key 不兼容问题（自定义 Policy）、到 30k 四类 baseline 训练的完整过程。最终四类评测结果：top_short 8.33%、top_long 50.00%、pant_long 16.67%、pant_short 75.00%。