Entraînement MicroDuck : choisir son ordinateur

Le navigateur permet d’essayer MicroDuck sans Python. La pile officielle d’entraînement utilise CUDA et la révision étudiée demande Python 3.12. Une nouvelle politique nécessite un GPU compatible ou une tâche cloud adaptée.

Choisissez par la tâche que vous souhaitez terminer.

Choisissez un environnement de départ
Votre objectif	Commencez ici	Que vérifier
Essayez de marcher et les commandes	Simulateur de navigateur	Attendez que la scène se charge. Aucune configuration d’entraînement locale n’est nécessaire.
Entraînez-vous sous Linux avec un GPU NVIDIA	Préparation à l’entraînement locale	Python 3.12, les dépendances verrouillées, l'accès au pilote et CUDA visibles dans l'environnement du projet.
Entraînez-vous depuis Windows avec un GPU NVIDIA	Examinez WSL 2 en tant qu'environnement Linux candidat	Suivez les conseils WSL de NVIDIA, puis exécutez les vérifications du projet dans WSL. La prise en charge de CUDA à elle seule ne constitue pas une preuve de la compatibilité totale de MicroDuck.
Utiliser un Mac ou un ordinateur sans CUDA	Exploration du navigateur ; calcul cloud pour le parcours d'entraînement officiel	Un navigateur fonctionnel ou une installation Python n'établit pas de prise en charge du backend d’entraînement officiel CUDA.
Utilisez du matériel DGX Spark, GB10 ou Jetson	Lisez les sources de dépendance pour le tableau exact	ARM n’est pas un environnement interchangeable. Jetson Thor dispose d'un rapport de dépendance ouvert distinct.
Rejouez votre propre politique exportée	Guide d'export et de replay local	Faites correspondre la disposition d'entrée, le modèle et les paramètres de contrôle. L’inférence CPU ne rend pas l’installation des dépendances indépendante de la plate-forme.

Les exigences d'environnement proviennent de Démarrage rapide et registre de tâches MicroDuck RL ↗ et Python, des versions figées des dépendances et des sources du package ARM ↗. Le guidage Windows est une route candidate basée sur NVIDIA : CUDA sur WSL 2 ↗, et non sur un test MicroDuck effectué par ce site. Pour Thor, lisez le Rapport Jetson Thor #38 (rapport communautaire, ouvert à la révision) ↗ avant d'appliquer les conseils destinés au GB10.

Ce qu'une vérification du GPU peut vous dire.

Un utilitaire système voyant un GPU NVIDIA et Python pouvant l'utiliser sont deux vérifications distinctes. Exécutez la sonde Python dans le guide de configuration locale à partir du même environnement de projet qui exécutera l’entraînement. Enregistrez le modèle GPU, la mémoire disponible, le pilote, la version et la révision de Python avant de comparer votre résultat à celui de quelqu'un d'autre.

L’exemple officiel de 4 096 environnements décrit des simulations en parallèle, pas une exigence universelle de mémoire. Commencez avec moins d’environnements pour vérifier l’installation. Une courte exécution réussie n’équivaut pas à une politique de marche entraînée, et une durée estimée d’entraînement ne constitue pas une garantie pour votre machine.

Planifiez une tâche cloud avant d'en démarrer une.

Le wrapper officiel ajoute --hf-jobs à une commande d’entraînement. Il expose également la version matérielle, l'espace de noms, le délai d'attente et une option d'exécution à sec. Lisez Guide de soumission de travaux dans le cloud MicroDuck ↗ et vérifiez Hugging Face Jobs : prix et facturation actuels ↗ pour connaître l'éligibilité actuelle et les frais de calcul.

Choisissez l’espace de noms personnel ou de l’organisation auquel seront rattachées l’exécution et sa facture.
Choisissez le GPU et une limite de temps explicite.
Vérifiez où les points de contrôle seront stockés.
Prévisualisez la soumission, puis décidez si vous souhaitez commencer le travail rémunéré.
Conservez l'URL de la tâche afin de pouvoir vérifier son achèvement et l'annuler si nécessaire.

Gardez une expérience suffisamment petite pour être expliquée.

Commencez par une tâche de marche officielle inchangée. Enregistrez la configuration initiale et une observation de lecture. Pour une deuxième exécution, modifiez un paramètre et expliquez ce que vous attendiez qu'il affecte. Cela vous donne une comparaison utile même lorsque le deuxième résultat est pire.

Continuez avec votre résultat.

Préparer une exécution locale ou prévisualiser une tâche cloud → Utiliser le contrôle de préparation à l’entraînement → Diagnostiquer une erreur de configuration →

Une route CPU distincte pour les expériences Mac.

Microduck Lab de Jonathanhawkins ↗ est un projet indépendant mis à jour le 22 septembre 2026. Son auteur fournit un harnais d’entraînement Apple Silicon CPU et un script de configuration qui épingle les révisions de modèle et de politique en amont, prépare les dépendances de Python et du visualiseur et exécute des vérifications de contrat. Commencez par une nouvelle extraction et lisez ses exigences avant d'exécuter le script. Ceci est utile pour les expériences locales de conception de récompenses ; ses résultats rapportés et ses affirmations de compatibilité appartiennent à l'auteur et non à une validation par ce site ou par la pile officielle CUDA.

Conservez la révision source, l’environnement d’entraînement, l’ONNX exporté et les résultats d’évaluation à côté de toute comparaison. La simulation officielle du daemon répond à une question différente : comment le logiciel du robot se comporte face à un corps simulé.

CONTINUER LA CONVERSATION

Qu’aimeriez-vous comprendre ensuite ?

Gardez la source, votre environnement et vos observations ensemble.

Démarrer une discussion connexe → Lire les discussions connexes →

Sources et date de vérification

Sources vérifiées le 23 septembre 2026 · Source examinée