Entrenamiento MicroDuck: elige equipo y recursos

El navegador permite explorar MicroDuck sin instalar Python. El entorno oficial de entrenamiento usa CUDA y la revisión examinada requiere Python 3.12. Entrenar una política nueva requiere un entorno GPU compatible o una tarea en la nube.

Elija por la tarea que desea finalizar.

Elija un entorno inicial
Tu objetivo	Empieza aquí	Que comprobar
Intenta caminar y los controles.	Simulador de navegador	Espere a que se cargue la escena. No se necesita ninguna configuración de entrenamiento local.
Entrena en Linux con una GPU NVIDIA	Preparación de formación local	Python 3.12, las dependencias bloqueadas, el acceso a los controladores y CUDA visibles dentro del entorno del proyecto.
Entrena desde Windows con una GPU NVIDIA	Revise WSL 2 como entorno Linux candidato	Siga las instrucciones de WSL de NVIDIA y luego ejecute las comprobaciones del proyecto dentro de WSL. La compatibilidad con CUDA por sí sola no es prueba de compatibilidad total con MicroDuck.
Utilice una Mac o una computadora sin CUDA	Exploración del navegador; computación en la nube para la ruta de formación oficial	Un navegador que funcione o una instalación de Python no establece soporte para el backend de entrenamiento oficial de CUDA.
Utilice hardware DGX Spark, GB10 o Jetson	Lea las fuentes de dependencia para el placa exacto	ARM no es un entorno intercambiable. Jetson Thor tiene un informe de dependencia abierto separado.
Repita su propia política exportada	Guía de exportación y reproducción local	Haga coincidir el diseño de entrada, el modelo y la configuración de control. La inferencia de CPU no hace que la instalación de dependencias sea independiente de la plataforma.

Los requisitos del entorno provienen de Registro de tareas y inicio rápido de MicroDuck RL ↗ y Python, versiones fijadas de dependencias y fuentes de paquetes ARM ↗. La guía de Windows es una ruta candidata basada en NVIDIA: CUDA en WSL 2 ↗, no una prueba de MicroDuck realizada por este sitio. Para Thor, lea Informe Jetson Thor #38 (informe de la comunidad, abierto en revisión) ↗ antes de aplicar los consejos destinados a GB10.

Lo que puede decirle una verificación de GPU.

Una utilidad del sistema que ve una GPU NVIDIA y que Python puede usarla son dos comprobaciones independientes. Ejecute la sonda Python en la guía de configuración local desde el mismo entorno del proyecto que ejecutará la entrenamiento. Registre el modelo de GPU, la memoria disponible, el controlador, la versión de Python y la revisión antes de comparar su resultado con el de otra persona.

El ejemplo oficial de 4.096 entornos se refiere a simulaciones en paralelo, no a un requisito universal de memoria. Empieza con menos entornos para comprobar la instalación. Una ejecución breve que termina bien no equivale a una política de marcha entrenada, y un tiempo de entrenamiento estimado no garantiza lo que tardará tu equipo.

Planifique un trabajo en la nube antes de comenzar uno.

El envoltorio oficial agrega --hf-jobs a un comando de entrenamiento. También expone el tipo de hardware, el espacio de nombres, el tiempo de espera y una opción de ejecución en seco. Lea Guía de envío de trabajos en la nube de MicroDuck ↗ y consulte Hugging Face Jobs: precios y facturación actuales ↗ para conocer la elegibilidad actual y los cargos informáticos.

Elige el espacio de nombres personal o de la organización que será responsable de la ejecución y de su factura.
Elija la GPU y un límite de tiempo explícito.
Compruebe dónde se almacenarán los puntos de control.
Obtenga una vista previa del envío y luego decida si desea comenzar el trabajo remunerado.
Conserve la URL del trabajo para que pueda verificar su finalización y cancelarlo si es necesario.

Mantenga un experimento lo suficientemente pequeño como para explicarlo.

Comience con una tarea de caminata oficial sin cambios. Guarde la configuración inicial y una observación de reproducción. Para una segunda ejecución, cambie una configuración y explique qué esperaba que afectara. Esto le brinda una comparación útil incluso cuando el segundo resultado es peor.

Continúe con su resultado.

Preparar una ejecución local o obtener una vista previa de un trabajo en la nube → Usar la verificación de preparación para el entrenamiento → Diagnosticar un error de configuración →

Una ruta de CPU separada para experimentos con Mac.

Microduck Lab de jonathanhawkins ↗ es un proyecto independiente actualizado el 22 de septiembre de 2026. Su autor proporciona un arnés de entrenamiento de CPU Apple Silicon y un script de configuración que fija revisiones de políticas y modelos ascendentes, prepara dependencias de Python y del visor, y ejecuta verificaciones de contratos. Comience con una copia local del repositorio nueva y lea sus requisitos antes de ejecutar el script. Esto es útil para experimentos locales de diseño de recompensas; Los resultados informados y las afirmaciones de compatibilidad son del autor, no una validación de este sitio o de la pila CUDA oficial.

Mantenga la revisión de la fuente, el entorno de entrenamiento, ONNX exportado y los resultados de la evaluación al lado de cualquier comparación. La simulación oficial del daemon responde a una pregunta diferente: cómo se comporta el software del robot frente a un cuerpo simulado.

CONTINUAR LA CONVERSACIÓN

¿Qué te gustaría entender a continuación?

Mantenga juntos la fuente, su entorno y sus observaciones.

Iniciar una discusión relacionada → Leer discusiones relacionadas →

Fuentes y fecha de revisión

Fuentes comprobadas el 23 de septiembre de 2026 · Fuente revisada