手元のGPUで方策を学習させる — SmolVLA の微調整に何が要るのかを見積もる

50本の実演が録れた。ここから先は、腕ではなく計算機の話になる。

そして最初に突き当たるのが、身も蓋もない問いである。手元のGPUで足りるのか。

この問いに答えるための材料は、実は公式に揃っている。方策ごとに必要なメモリを並べた表があり、代表的な構成での所要時間の目安があり、足りない場合に借りる先の料金表もある。本記事はそれらを日本の読者の判断材料として組み立て直す。

先に断っておく。当サイトは手元のGPUで実際に学習を回していない。したがって「動いた」とも「落ちた」とも書かない。書くのは、公式の見積り表から導ける範囲の推論と、その推論がどこまで信頼できるかである。確認はすべて2026年9月2日時点のものである。

方策の選択は、性能ではなくメモリで決まる

ロボット向けの学習ライブラリには、複数の方策が用意されている。名前だけ見ると選びようがないが、必要なメモリで階層に分かれている。公式の計算資源ガイドは、バッチサイズ8・最適化手法 AdamW という条件で、次のように整理している。

この表の読み方は単純だ。自分のGPUのVRAMを見て、収まる行より上を選ぶ。24GBのGPUを持っていても大型 VLA は厳しいと公式が書いているのだから、16GB級なら選択肢は上から三つに限られる。

言語モデルを扱ってきた読者には馴染みのある構図だろう。メモリの見積り方そのものは手元のVRAMで動くモデルを見積もる — 量子化とメモリ計算の基礎（2026-08-25 公開）で組み立てた考え方がそのまま通用する。

SmolVLA が入門の現実解になる理由

視覚と言語を受け取って動作を出すモデルのうち、16GB級のGPUに現実的に載るのは SmolVLA だけである。これが、入門の選択肢が事実上ひとつに絞られる理由だ。

規模は4億5000万パラメータ。大型の方策と比べると一桁以上小さい。公式は「単一のGPUで学習でき、消費者向けのハードウェアで動かせる」ことを設計目標として掲げている。

軽量な模倣学習の方策（act など）はさらに小さく2〜6GBで済むが、こちらは視覚言語の事前学習を持たない。言葉で指示を変えたり、学習していない物体に多少なりとも対応したりといった振る舞いは期待できない。視覚言語モデルの恩恵を受けたいなら SmolVLA、とにかく軽く回したいなら act、という住み分けになる。

そしてこの二つは、排他的な選択ではない。同じデータセットから両方を学習させて、実機で比べることができる。act は数十分で終わるので、まず act を回して仕組み全体を通し、そのうえで SmolVLA に進むという順序は理にかなっている。最初から重いほうを選ぶと、失敗したときにどこが悪いのか分かりにくい。

なお SmolVLA は、そのまま使える完成品ではなく微調整の出発点として配布されている。公式も「自分のデータで微調整することが最適な性能のために必要」と明記している。事前学習済みの重みをダウンロードしただけでは、あなたの机の上では動かない。

目安は目安である — 公式自身が幅を明記している

数字を使う前に、その数字の性格を確認しておきたい。公式ガイドは冒頭でこう宣言している。

以下の数値は目安であり、ハードウェアを選ぶための桁の見積りであって、正確な予測ではない。

さらに所要時間については、実際の値は解像度・データ読み込み・データローダのスレッド構成・GPUの正確な型番によって上下50%ぶれると書いている。「1時間で終わるのか1日かかるのかを判断するための直感であって、約束ではない」という趣旨の但し書きまで付いている。

この態度は信頼できる。そして読者としては、この但し書きごと数字を受け取るのが正しい。以降に出す数値はすべて、この幅を含んだものとして読んでほしい。

メモリはバッチサイズにほぼ比例する

見積りを自分の条件に合わせるための原則が二つ示されている。

ひとつは、メモリ使用量はバッチサイズにおおむね線形であること。バッチを半分にすれば、必要なメモリもおおよそ半分に近づく。

もうひとつは、最適化手法の分の上乗せである。既定の AdamW は勾配計算に加えて内部状態を保持するため、順伝播と逆伝播だけの場合に対して30〜100%上乗せされると公式は書いている。表の数値はこの上乗せを含んだものだ。

ここから、16GB級のGPUを持つ読者がとれる手が見えてくる。

• バッチサイズを下げる。メモリはほぼ比例して下がる
• 勾配累積を使う。バッチを小さくしても、実効的なバッチサイズを取り戻せる
• 視覚エンコーダを凍結する。SmolVLA では該当の設定を有効にしたままにすることが、メモリ対策として公式に案内されている

三つ目は特に効く。視覚部分を学習対象から外せば、その分の勾配も内部状態も要らなくなる。

16GBのGPUはどう見るべきか

具体的に考えてみる。VRAM 16GB のGPUを持っているとして、SmolVLA の微調整は回るのか。

公式の区分では、小型 VLA はバッチ8で約10〜16GB。上限にちょうど張り付く。しかも表の但し書きどおり、条件によっては50%ぶれる。つまり「バッチ8で確実に回る」とは言えず、「条件を整えれば入りうるが、余裕はない」というのが正確な読み方になる。

推奨として挙げられている入門GPUが「RTX 4080以上」であることも示唆的だ。VRAM 16GB という数字だけを見て判断すると、実際には別の要素で詰まる可能性がある。

現実的な進め方はこうなる。まずバッチサイズを小さく始めて、GPUが許す範囲で少しずつ上げる。公式も「小さいバッチから始めて、読み込み時間が短いままである限り、GPUが許せば段階的に上げていく」と案内している。最初から最大値を狙わないのが定石だ。

GPUそのものを買い足すかどうかの判断材料はAIのために買うなら何から買うか — VRAMと電気代と騒音で決めるGPU選び（2026-08-29 公開）に整理してある。

ステップ数ではなく、周回数で考える

学習をどれだけ回すか。ここで発想を切り替える必要がある。

公式は、ロボットの模倣学習はデータセットに対して5〜10エポックで収束することが多いと書いている。何十万ステップも回す世界ではない。データが小さいのだから、当然といえば当然だ。

そこで所要時間はこう計算できる。総コマ数を求め、それをバッチサイズで割って1エポックあたりのステップ数を出し、エポック数を掛けて総ステップ数にする。あとは1ステップの所要時間を掛ければよい。

公式が例に使っている標準的な規模が、50エピソード・毎秒30コマ・1本30秒で約45,000コマである。記録の設計がそのまま学習量を決めるという話は、実演を録る段階から意識しておきたい。

所要時間の目安

同じ条件（約50エピソード・45,000コマ・640×480・5エポック・AdamW）での目安が表になっている。

条件を外して秒数だけを引用してはいけない表である。方策・バッチ・エポック数・GPUの型番・画像の解像度がすべて効く。

別の資料では、20,000ステップの学習が A100 1枚で約4時間とされている。こちらはステップ数基準の記述で、上の表とは前提が違う。同じ「4時間」でも意味が違うので、混ぜて使わないほうがよい。

なお公式の例示コマンドはバッチサイズ64を指定している。これは大型GPUを前提にした値であり、16GB級のGPUにそのまま貼り付けても動かない。手順書のコマンドをコピーする前に、メモリの表と突き合わせる必要がある。

短く回すなら、学習率の減衰も短くする

見落としやすい設定がひとつある。

公式は、学習を短く切り上げる場合（小さなデータセットで5,000〜10,000ステップなど）には、学習率の減衰ステップ数も併せて短くするよう注意している。そうしないと学習率が高いまま推移し、最後まで下がりきらない。チェックポイントの保存間隔についても同様である。

これは「設定を変え忘れたせいで結果が出ない」という、いちばん徒労感の強い失敗につながる。既定値は長い学習を前提にしているという理解が要る。

GPUを足しても速くならない場合がある

複数GPUを使えば単純に速くなる、とは限らない。公式はその見分け方を具体的に示している。

学習ログにはデータ読み込みの時間と、パラメータ更新の時間が別々に出る。読み込み時間が更新時間に近づいてきたら、GPUを足しても改善しない。データローダが律速になっているからだ。そのときに見るべきはワーカー数、画像の解像度、ディスクの速度である。

実測の参考値も公開されている。H100 80GB を4枚使い、5,000ステップ・バッチ32という条件で、smolvla が27分49秒、diffusion が16分17秒、pi05 が3時間41分。この構成でも方策によって桁が違うことが分かる。

学習が始まってから何を見るか

コマンドを流したあと、数時間ただ待つことになる。その間に見ておくべきものがある。

まずチェックポイントである。学習の途中経過は出力先の下に定期的に保存され、最後の状態も残る。途中で止まっても、そこから続きを回せる。保存された設定ファイルを指定して再開を指示すれば、最適化手法の内部状態も、スケジューラも、ステップ数も、データの並び順まで復元される。学習を一晩走らせるなら、この仕組みがあることを知っているだけで気が楽になる。

チェックポイントを共有の保管先へ逐次上げていく設定もある。途中経過を別の場所から眺めたい場合や、実行環境が落ちる可能性を織り込みたい場合には有効だ。ただし保存の頻度は、学習を短く切ったときに合わせて調整する必要がある。前節の学習率と同じ理屈で、既定値は長い学習を前提にしている。

そして、学習の指標だけを見て良し悪しを判断しないことだ。損失が下がっていても腕が掴めるとは限らない。最終的な判定は実機で行うしかないのがこの分野の特徴で、そこが言語モデルと違って厄介なところである。

1回で完成させようとしない

初めて回すときにやりがちなのが、最初の学習で使える方策を作ろうとすることだ。データを50本録り、時間をかけて学習し、動かしてみて、うまくいかない。ここで心が折れる。

現実的な組み立て方はこうなる。まず短く回して、仕組み全体が最後まで通ることを確かめる。記録から学習、そして実機での実行まで、一度通してしまう。性能はその次である。

この考え方は費用にも効く。全部を通すだけなら、学習を数千ステップで打ち切ってよい。数十円から数百円の話になる。そこで配線やカメラの取り違えが見つかれば、本番の学習を無駄にせずに済む。

逆に言えば、通しで一度動かすまでは、データを増やしても意味がない。50本を100本にするより、いまある50本で最後まで通すほうが学びは大きい。

借りるといくらか

手元で足りないなら借りる選択肢がある。同じ運営元が提供する計算サービスの料金は公開されている（2026年9月2日確認）。

課金は分単位で、起動中と実行中の時間のみが対象になる。ビルド中は課金されない。利用には残高が正であることが条件で、有料プランに付属する月次のクレジットがその残高に算入される。既定のタイムアウトは30分なので、長い学習では明示的に延長する必要がある。

桁を掴んでおこう。L4 で SmolVLA を3〜6時間なら、0.80ドル × 数時間で数ドルの範囲に収まる。A100 で4時間なら10ドル前後。1回の学習で数百円から千数百円という感覚である。ただし所要時間そのものが±50%ぶれる前提なので、確定額としては扱えない。

料金表を眺めていて気づくのは、安いほうから順に選ぶのが必ずしも得ではないことだ。時間単価がいちばん安い構成を選んでも、遅ければ総額は変わらないか、かえって高くつく。上の所要時間の表と料金表を突き合わせて、「単価 × 想定時間」で比べる必要がある。

一点、初回に引っかかりやすい仕様がある。実行時間の上限が既定で30分に設定されていることだ。数時間かかる学習をそのまま流すと、途中で打ち切られる。延長の指定を忘れずに付ける。失敗し続ける実行は自動で止められて課金も止まるので、暴走して請求が膨らむ心配は小さい。

なお、GPUを持っていない場合の逃げ道として、無料で使えるノートブック環境での学習手順も公式に用意されている。まず試してみるだけなら、財布を出さずに始められる。

買うか借りるかの分かれ目

この価格を見て、判断の軸が変わる読者もいるはずだ。

1回数ドルなら、月に数回の学習では借りるほうが圧倒的に安い。GPUを買う理由が出てくるのは、試行回数が増えたときである。データを録り直しては学習し、設定を変えては学習し、という繰り返しに入ると、回数が二桁に乗る。そこで初めて固定費の話になる。

クラウドと手元の使い分けをどう決めるかという枠組みはクラウドAIの請求書を見てローカルAIを考え直す — 手元のGPUで回る仕事と回らない仕事（2026-08-24 公開）で整理した。ロボットの学習も、そこで示した「頻度と待ち時間で決める」という判断がそのまま当てはまる。

なお、学習をCPUだけで回すことは公式が明確に否定している。「学習してはいけない。無料のノートブックを使うか、GPUを借りること」と書かれている。時間の問題ではなく、現実的でないという意味だ。

動かすほうは、学習より軽い

ここまで学習の話をしてきたが、学習済みの方策を動かすだけなら要求は下がる。SmolVLA は消費者向けハードウェアで動かせることを目標に設計されており、CPU での実行にも触れられている。

つまり構成としては、学習は借りたGPUで、実行は手元の小さな機械でという分担が成り立つ。腕の横に大きなGPUを置く必要はない。

この分担は置き場所の問題としても効いてくる。学習用の大きなGPUは発熱も騒音も大きく、作業台のそばに置きたいものではない。一方で腕を動かす機械は、腕のすぐ横に、静かに、常時つないでおきたい。要求がまるで違う二つの計算を、無理にひとつの機械にまとめる理由はない。

ただし実行側にも下限はある。指令を一定の間隔で出し続けられなければ動きが途切れるので、推論が間に合うかどうかが実用の分かれ目になる。ここは学習と違って「時間をかければ終わる」という逃げ方ができない。

動作の遅いモデルを実機で動かすための仕組みも用意されている。先読みしたまとまりを実時間で繋ぎ直す実行方式が選べるようになっており、公式は非力なハードウェアで動かす場合の選択肢として案内している。

まとめ — 見積りの順序

学習に入る前に確かめる順序をまとめる。

1. VRAMで方策を絞る。16GB級なら SmolVLA まで。24GBでも大型 VLA は厳しい
2. バッチサイズから始める。小さく始めて上げる。視覚エンコーダの凍結が効く
3. エポック数で考える。5〜10周。ステップ数の大小で判断しない
4. 短く回すなら学習率の減衰も短くする。既定値は長い学習向け
5. 数ドルで借りられる。試行回数が二桁に乗るまでは、買う理由は弱い

実演の録り方はロボットに教えるのは、まず自分の手で — テレオペで模倣学習のデータを取る（2026-09-09 公開）に、モデルの系統とライセンスの違いはロボット基盤モデルが生成AIに手を持たせた — 言葉で動く機械はどこまで来たのか（2026-09-07 公開）にまとめてある。

学習が終われば、腕は動きはじめる。そして多くの場合、思ったとおりには掴まない。次はその切り分けの話になる。

出典・参考

• Hugging Face「Compute HW Guide for LeRobot Training」
• Hugging Face「SmolVLA ドキュメント（微調整手順）」
• Hugging Face「SmolVLA: Efficient Vision-Language-Action Model」
• Hugging Face「Jobs pricing and billing」
• Hugging Face「Pricing」

ブラウザだけでできる本格的なAI画像生成【ConoHa AI Canvas】

swiftwand

X

AIを使って、毎日の生活をもっと快適にするアイデアや将来像を発信しています。 初心者にもわかりやすく、すぐに取り入れられる実践的な情報をお届けします。 Sharing ideas and visions for a better daily life with AI. Practical tips that anyone can start using right away.