MicroDuck-Training: Rechner und Rechenweg wählen

Im Browser kannst du MicroDuck ohne Python ausprobieren. Das offizielle Training nutzt CUDA; die geprüfte Revision benötigt Python 3.12. Eine neue Policy braucht eine geeignete GPU-Umgebung oder einen passenden Cloud-Auftrag.

Wählen Sie die Aufgabe aus, die Sie erledigen möchten.

Wählen Sie eine Startumgebung
Dein Ziel	Beginnen Sie hier	Was zu überprüfen ist
Versuchen Sie es mit Gehen und den Kontrollen	Browsersimulator	Warten Sie, bis die Szene geladen ist. Es ist kein lokaler Trainingsaufbau erforderlich.
Trainieren Sie unter Linux mit einer NVIDIA-GPU	Lokale Trainingsvorbereitung	Python 3.12, die gesperrten Abhängigkeiten, Treiberzugriffe und CUDA sind in der Projektumgebung sichtbar.
Trainieren Sie unter Windows mit einer NVIDIA-GPU	Überprüfen Sie WSL 2 als mögliche Linux-Umgebung	Befolgen Sie die WSL-Anleitung von NVIDIA und führen Sie dann die Projektprüfungen innerhalb der WSL durch. Die CUDA-Unterstützung allein ist kein Beweis für die vollständige MicroDuck-Kompatibilität.
Verwenden Sie einen Mac oder einen Computer ohne CUDA	Browser-Erkundung; Cloud-Computing für die offizielle Trainingsstrecke	Ein funktionierender Browser oder eine Python-Installation stellen keine Unterstützung für das offizielle CUDA-Schulungs-Backend dar.
Verwenden Sie DGX Spark-, GB10- oder Jetson-Hardware	Lesen Sie die Abhängigkeitsquellen für das genaue Board	ARM ist keine austauschbare Umgebung. Jetson Thor verfügt über einen separaten offenen Abhängigkeitsbericht.
Wiederholen Sie Ihre eigene exportierte Policy	Export- und lokale Wiedergabeanleitung	Passen Sie das Eingabelayout, das Modell und die Steuerungseinstellungen an. Die CPU-Inferenz macht die Abhängigkeitsinstallation nicht plattformunabhängig.

Die Umgebungsanforderungen stammen aus MicroDuck RL-Schnellstart- und Aufgabenregistrierung ↗ und Python, festgelegte Abhängigkeitsversionen und ARM-Paketquellen ↗. Die Windows-Anleitung ist eine Kandidatenroute basierend auf NVIDIA: CUDA auf WSL 2 ↗, kein von dieser Site durchgeführter MicroDuck-Test. Lesen Sie für Thor den Jetson Thor-Bericht Nr. 38 (Community-Bericht, bei Überprüfung geöffnet) ↗, bevor Sie die für GB10 vorgesehenen Ratschläge anwenden.

Was Ihnen ein GPU-Check sagen kann.

Dass ein Systemdienstprogramm eine NVIDIA-GPU erkennt und Python diese verwenden kann, sind zwei separate Prüfungen. Führen Sie den Python-Test in der Anleitung zur lokalen Einrichtung in derselben Projektumgebung aus, in der das Training ausgeführt wird. Notieren Sie das GPU-Modell, den verfügbaren Speicher, den Treiber, die Python-Version und die Revision, bevor Sie Ihr Ergebnis mit dem einer anderen Person vergleichen.

Das offizielle Beispiel mit 4.096 Umgebungen beschreibt parallele Simulationen, keine allgemeingültige Speicheranforderung. Beginnen Sie mit weniger Umgebungen, um die Installation zu prüfen. Ein kurzer erfolgreicher Durchlauf ist noch keine trainierte Geh-Policy. Eine geschätzte Trainingsdauer ist keine Garantie für Ihren Rechner.

Planen Sie einen Cloud-Job, bevor Sie einen starten.

Der offizielle Wrapper fügt --hf-jobs zu einem Trainingsbefehl hinzu. Außerdem werden die Hardwarevariante, der Namespace, das Timeout und eine Probelaufoption angezeigt. Lesen Sie MicroDuck Cloud Job Submission Guide ↗ und überprüfen Sie Hugging Face Jobs: aktuelle Preise und Abrechnung ↗ für aktuelle Berechtigungs- und Rechengebühren.

Wählen Sie den persönlichen oder organisatorischen Namensraum, dem der Durchlauf und seine Rechnung zugeordnet werden sollen.
Wählen Sie die GPU und ein explizites Zeitlimit.
Überprüfen Sie, wo die Kontrollpunkte gespeichert werden.
Sehen Sie sich die Einreichung in der Vorschau an und entscheiden Sie dann, ob Sie mit dem bezahlten Auftrag beginnen möchten.
Behalten Sie die Job-URL, damit Sie den Abschluss überprüfen und ihn bei Bedarf abbrechen können.

Halten Sie ein Experiment klein genug, um es zu erklären.

Beginnen Sie mit einer unveränderten offiziellen Gehaufgabe. Speichern Sie die Erstkonfiguration und eine Wiedergabebeobachtung. Ändern Sie bei einem zweiten Durchlauf eine Einstellung und erläutern Sie, welche Auswirkungen sie Ihrer Meinung nach haben wird. Dadurch erhalten Sie einen nützlichen Vergleich, auch wenn das zweite Ergebnis schlechter ausfällt.

Fahren Sie mit Ihrem Ergebnis fort.

Bereiten Sie einen lokalen Lauf vor oder zeigen Sie eine Vorschau eines Cloud-Jobs an → Verwenden Sie die Trainingsbereitschaftsprüfung → Diagnostizieren Sie einen Setup-Fehler →

Eine separate CPU-Route für Mac-Experimente.

Microduck Lab von Jonathanhawkins ↗ ist ein unabhängiges Projekt, das am 22. September 2026 aktualisiert wurde. Sein Autor stellt ein Apple Silicon CPU-Trainingsgeschirr und ein Setup-Skript bereit, das Upstream-Modell- und Policiesrevisionen anheftet, Python- und Viewer-Abhängigkeiten vorbereitet und Vertragsprüfungen durchführt. Beginnen Sie mit einem neuen Checkout und lesen Sie die Anforderungen, bevor Sie das Skript ausführen. Dies ist nützlich für lokale Belohnungsdesign-Experimente; Die gemeldeten Ergebnisse und Kompatibilitätsansprüche stammen vom Autor und stellen keine Validierung durch diese Website oder den offiziellen CUDA-Stack dar.

Bewahren Sie bei jedem Vergleich die Quellrevision, die Trainingsumgebung, das exportierte ONNX und die Evaluierungsergebnisse auf. Die offizielle Daemon-Simulation beantwortet eine andere Frage: Wie sich die Robotersoftware gegenüber einem simulierten Körper verhält.

Setzen Sie das Gespräch fort

Was möchten Sie als nächstes verstehen?

Halten Sie die Quelle, Ihre Umgebung und Ihre Beobachtungen zusammen.

Starten Sie eine verwandte Diskussion → Lesen Sie verwandte Diskussionen →

Quellen und Prüfdatum

Quellenstand 23. September 2026 · Quelle geprüft