訓練與推論

選擇 GR00T 後訓練頁的參數欄位減少，是否為介面異常

否，此為正常行為。選擇 GR00T N1.5 時僅顯示批次大小、步數與保存頻率三個欄位，因其餘四項（種子、資料載入執行緒數、評估頻率、日誌頻率）不會被 GR00T 的訓練流程接收。

畫面上顯示的欄位即為實際生效的欄位。詳見訓練參數。

調整參數後切換策略，數值遭到覆寫

此為預期行為。原策略的參數組合不適用於新策略，故平台將帶入新策略的預設值。

正確的操作順序為先選定策略，再進行參數調整。

GR00T 的 Loss 下降幅度有限，是否代表未學習

通常不代表。GR00T 於預訓練模型上進行微調，起始即具備相當的能力，因此 Loss 的起始值較低、下降幅度亦較小；ACT 由零開始學習，過程中的變化幅度較為明顯。

不同策略的 Loss 數值不具可比性。比較兩者優劣時，應以實際推論的表現為依據。詳見訓練監控。

訓練頁未提供 GPU (TensorRT) 選項

此為正常情況。GPU (TensorRT) 僅在推論頁出現，因其屬於部署階段的設定。訓練頁僅列出 GPU (CUDA) 與 CPU；主機未配置 NVIDIA 顯示卡時則為 GPU (OpenVINO) 與 CPU。

訓練過程中因記憶體不足而中斷

應優先調降批次大小，該項參數對顯示卡記憶體的佔用最為直接。

同時應確認未同時執行第二個訓練作業。

Loss 持續未下降，延長訓練時間是否有助改善

無助改善。Loss 未下降的成因通常位於資料品質或策略選擇，延長訓練時間不會改變結果。

接續訓練的性質為延長既有訓練，而非修正該次訓練。如需變更資料或參數，應建立新的訓練作業。詳見不適用接續訓練的情況。

ACT 訓練所得的模型可否轉換為 TensorRT

不可。兩條轉換路徑各自僅接受一種策略：ACT 對應 CPU、OpenVINO 與 CUDA；GR00T 對應 TensorRT 與 CUDA，兩者之間不存在交叉點。

此即策略選擇同時決定部署硬體的原因。詳見策略選擇。

切換推論裝置後，策略路徑欄位被清空

此為預期行為。不同裝置所需的模型格式不同，沿用前一裝置的路徑將導致載入失敗，故平台於切換時清空該欄位。重新選取即可。

手臂動作與示範相似，但對位持續存在偏差

多數情況為視角問題：模型缺乏判斷精確位置所需的資訊，其中手腕相機的擺位為主要因素。

推論頁另提供失敗診斷對照表，可依症狀回溯至對應的環節。