Treinamento MicroDuck: escolher computador e recursos

O navegador permite explorar MicroDuck sem instalar Python. O treinamento oficial usa CUDA e a revisão analisada exige Python 3.12. Para uma política nova, escolha GPU compatível ou uma tarefa adequada na nuvem.

Escolha pela tarefa que deseja terminar.

Escolha um ambiente inicial
Seu objetivo	Comece aqui	O que verificar
Experimente caminhar e os controles	Simulador de navegador	Espere a cena carregar. Nenhuma configuração de treinamento local é necessária.
Treine em Linux com uma GPU NVIDIA	Preparação para treinamento local	Python 3.12, as dependências bloqueadas, acesso ao driver e CUDA visíveis dentro do ambiente do projeto.
Treine no Windows com uma GPU NVIDIA	Revise o WSL 2 como um ambiente Linux candidato	Siga as orientações WSL da NVIDIA e execute as verificações do projeto dentro do WSL. O suporte CUDA por si só não é prova de compatibilidade total com o MicroDuck.
Use um Mac ou um computador sem CUDA	Exploração do navegador; computação em nuvem para a rota oficial de treinamento	Um navegador funcional ou uma instalação do Python não estabelece suporte para o back-end oficial de treinamento CUDA.
Use hardware DGX Spark, GB10 ou Jetson	Leia as fontes de dependência do quadro exato	ARM não é um ambiente intercambiável. Jetson Thor tem um relatório de dependência aberto separado.
Reproduza sua própria política exportada	Guia de exportação e reprodução local	Combine o layout de entrada, o modelo e as configurações de controle. A inferência da CPU não torna a instalação de dependência independente da plataforma.

Os requisitos de ambiente vêm de MicroDuck RL início rápido e registro de tarefas ↗ e Python, versões fixadas das dependências e fontes de pacote ARM ↗. A orientação do Windows é uma rota candidata baseada em NVIDIA: CUDA no WSL 2 ↗, não em um teste MicroDuck realizado por este site. Para Thor, leia Relatório Jetson Thor nº 38 (relatório da comunidade, aberto para revisão) ↗ antes de aplicar o conselho destinado ao GB10.

O que uma verificação de GPU pode lhe dizer.

Um utilitário do sistema vendo uma GPU NVIDIA e Python sendo capaz de usá-la são duas verificações separadas. Execute o teste Python no guia de configuração local no mesmo ambiente de projeto que executará o treinamento. Registre o modelo da GPU, memória disponível, driver, versão do Python e revisão antes de comparar seu resultado com o de outra pessoa.

O exemplo oficial de 4.096 ambientes se refere a simulações em paralelo, não a um requisito universal de memória. Comece com menos ambientes para verificar a instalação. Uma execução curta bem-sucedida não equivale a uma política de caminhada treinada, e um tempo estimado de treinamento não é garantia para a sua máquina.

Planeje um trabalho na nuvem antes de iniciá-lo.

O wrapper oficial adiciona --hf-jobs a um comando de treinamento. Ele também expõe o tipo de hardware, namespace, tempo limite e uma opção de simulação. Leia Guia de envio de trabalhos em nuvem MicroDuck ↗ e verifique Hugging Face Jobs: preços e faturamento atuais ↗ para elegibilidade atual e custos de computação.

Escolha o namespace pessoal ou da organização que será responsável pela execução e pela cobrança.
Escolha a GPU e um limite de tempo explícito.
Verifique onde os pontos de verificação serão armazenados.
Visualize o envio e decida se deseja iniciar o trabalho remunerado.
Guarde o URL do trabalho para poder verificar a conclusão e cancelá-lo, se necessário.

Mantenha um experimento pequeno o suficiente para ser explicado.

Comece com uma tarefa oficial de caminhada inalterada. Salve a configuração inicial e uma observação de reprodução. Para uma segunda execução, altere uma configuração e explique o que você esperava que ela afetasse. Isto lhe dá uma comparação útil mesmo quando o segundo resultado é pior.

Continue com seu resultado.

Prepare uma execução local ou visualize um trabalho na nuvem → Use a verificação de prontidão de treinamento → Diagnosticar um erro de configuração →

Uma rota de CPU separada para experimentos com Mac.

Microduck Lab por jonathanhawkins ↗ é um projeto independente atualizado em 22 de setembro de 2026. Seu autor fornece um equipamento de treinamento de CPU Apple Silicon e um script de configuração que fixa revisões de modelo e política upstream, prepara dependências de Python e visualizador e executa verificações de contrato. Comece com um novo checkout e leia seus requisitos antes de executar o script. Isso é útil para experimentos locais de design de recompensas; seus resultados relatados e reivindicações de compatibilidade são do autor, não uma validação por este site ou pela pilha CUDA oficial.

Mantenha a revisão de origem, o ambiente de treinamento, o ONNX exportado e os resultados da avaliação ao lado de qualquer comparação. A simulação oficial do daemon responde a uma pergunta diferente: como o software do robô se comporta contra um corpo simulado.

CONTINUE A CONVERSA

O que você gostaria de entender a seguir?

Mantenha a fonte, seu ambiente e suas observações juntos.

Iniciar uma discussão relacionada → Leia discussões relacionadas →

Fontes e data de revisão

Fontes verificadas em 23 de setembro de 2026 · Fonte revisada