【免費下載鏈接】EasyWAM-Unified-Cosmos25項目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Cosmos25點擊查看免費下載EasyWAM-Unified-Cosmos25 是 OpenMOSS 基于 Cosmos-Predict2.5-2B 發(fā)布的 World-Action Model 評測檢查點倉庫配合 LIBERO 基準可完成完整的機器人評測流程。本文將手把手教你如何用多卡分布式部署把機器人評測時間壓到最短從檢查點下載、一鍵啟動多卡評測到MULTIRUN.num_gpus關鍵參數與 4 個實用調優(yōu)技巧新手也能快速上手。為什么 LIBERO 機器人評測這么慢在開始加速之前先搞清楚時間都花在了哪里。按 README.md 中的默認評測協(xié)議機器人評測需要覆蓋LIBERO 全部 4 個測試套件測試套件任務數每任務試驗次數Spatial1050Object1050Goal1050LIBERO-101050也就是說一次完整評測 40 個任務 × 50 次試驗 2000 次 rollout。每一次 rollout 都要在 LIBERO 仿真器中逐步執(zhí)行并反復調用 2B 規(guī)模的 Video DiT 模型做推理。單卡串行跑完等待時間往往以天計——這正是多卡分布式評測要解決的問題。三步啟動多卡機器人評測第一步下載檢查點與統(tǒng)計文件倉庫中已包含 LIBERO 全參數檢查點評測時需要兩個文件模型權重libero_unified_cosmos25.pt數據歸一化統(tǒng)計libero_dataset_stats.jsonhf download OpenMOSS-Team/EasyWAM-Unified-Cosmos25 \ libero_unified_cosmos25.pt \ libero_dataset_stats.json \ --local-dir ./checkpoints 這兩個文件只需下載一次之后重復評測、換卡數重跑都可以直接復用這是最容易被忽略的加速點。第二步準備運行環(huán)境按照 README.md 的說明完成三件事即可安裝 EasyWAM 代碼庫按官方 backbone 指南配置 Cosmos-Predict2.5-2B 依賴搭建 LIBERO 仿真環(huán)境。第三步一條命令啟動分布式評測python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_cosmos25 \ ckpt./checkpoints/libero_unified_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json \ MULTIRUN.num_gpus4加上MULTIRUN.num_gpus4后評測任務就會被自動分配到 4 張 GPU 上并行執(zhí)行理想情況下總耗時約為單卡的 1/4。關鍵參數詳解MULTIRUN.num_gpus 怎么用下面是本教程涉及的全部參數速查表參數作用說明task評測任務配置固定為libero_easywam_unified_cosmos25ckpt模型權重路徑指向下載的.pt檢查點EVALUATION.dataset_stats_path數據統(tǒng)計文件路徑用于狀態(tài)與動作的歸一化MULTIRUN.num_gpus參與評測的 GPU 數量多卡分布式部署的核心開關按需填寫卡數多卡分配原理num_gpus指定后2000 次 rollout 會被切分成若干份分別落在不同 GPU 上并行推進最后匯總各卡的成功率得到最終結果?？〝翟蕉鄦未瓮暾u測的墻鐘時間越短。4 個讓機器人評測更快的調優(yōu)技巧1. 先用nvidia-smi確認真實可用卡數?把num_gpus設置成你機器上實際可用的 GPU 數量而不是理想數量。如果其中一張卡被其他進程占用評測速度會明顯掉隊。2. 用CUDA_VISIBLE_DEVICES精確指定用哪幾張卡如果你只希望用 0、1 號卡做評測可以這樣控制CUDA_VISIBLE_DEVICES0,1 python experiments/libero/run_libero_manager.py \ tasklibero_easywam_unified_cosmos25 \ ckpt./checkpoints/libero_unified_cosmos25.pt \ EVALUATION.dataset_stats_path./checkpoints/libero_dataset_stats.json \ MULTIRUN.num_gpus23. 監(jiān)控各卡利用率發(fā)現拖后腿的卡評測中途執(zhí)行nvidia-smi觀察每張卡的顯存與利用率。若某張卡長期空閑或顯存暴漲說明任務分配或顯存分配存在問題及時重啟比硬等更劃算。4. 顯存不夠時優(yōu)先降卡數而不是降精度2B 規(guī)模的 Video DiT 對單卡顯存要求不低具體取決于圖像分辨率等配置。遇到 OOM 時建議先減少num_gpus或與其他進程錯峰使用避免影響成功率的可比性。評測結果速覽這個模型有多強跑完之后你可以對照 README.md 中發(fā)布的官方基線判斷結果是否正常。全參數檢查點在 LIBERO 四套件上的任務成功率如下50 次試驗/任務模型SpatialObjectGoalLIBERO-10平均 EasyWAM-Unified97.899.497.093.096.8同時在更難的 LIBERO-Plus 擾動測試背景、光照、布局、噪聲等 8 類擾動中平均成功率達 78.2%說明該檢查點的魯棒性也有保障。若你的評測結果與官方數值偏差過大建議優(yōu)先檢查dataset_stats_path是否指向正確的 libero_dataset_stats.json。常見問題 FAQQ多卡評測的結果和單卡一致嗎一致。分布式只是把 2000 次 rollout 分組并行每個 trial 的輸入輸出不變最終成功率匯總方式與單卡協(xié)議相同。Q卡數越多一定越快嗎接近線性加速但受主機 CPU、仿真器初始化與存儲讀寫影響卡數過多時邊際收益會下降。建議從 24 卡起步觀察實際加速比再決定。Q我只想快速驗證流程不想跑滿 2000 次可以先用更少的任務數試跑確認多卡并行正常后再執(zhí)行完整協(xié)議。總結機器人評測慢的根源是 4 套件 × 40 任務 × 50 試驗的龐大 rollout 量加上MULTIRUN.num_gpus卡數即可開啟多卡分布式評測這是本倉庫加速的核心開關配合nvidia-smi檢查、CUDA_VISIBLE_DEVICES選卡與利用率監(jiān)控可以進一步榨干硬件性能。按照本文步驟操作你就能把 EasyWAM-Unified-Cosmos25 的完整 LIBERO 評測從過夜任務變成幾小時任務。更多協(xié)議細節(jié)與檢查點說明見倉庫文檔 README.md。贊分享【免費下載鏈接】EasyWAM-Unified-Cosmos25項目地址https://ai.gitcode.com/OpenMOSS/EasyWAM-Unified-Cosmos25點擊查看免費下載相關推薦如何高效部署EasyWAM-Unified-Wan22多GPU分布式評測與運行參數調優(yōu)完整教程如何高效部署EasyWAM Unified Wan22多GPU分布式評測與運行參數調優(yōu)完整教程 EasyWAM Unified Wan22 是 EasyWAM人工智能具身智能機器人微調深度學習如何跑通 LIBERO 評測EasyWAM-Hidden-Cosmos25 run_libero_manager 參數逐步解析如何跑通 LIBERO 評測EasyWAM Hidden Cosmos25 run_libero_manager 參數逐步解析 EasyWAM HiddenEasyWAM-MoT-Cosmos25評測實戰(zhàn)LIBERO四套基準50輪測試全流程附多GPU并行加速技巧EasyWAM MoT Cosmos25評測實戰(zhàn)LIBERO四套基準50輪測試全流程附多GPU并行加速技巧 EasyWAM MoT Cosmos25 是基于創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考