訓練參數
訓練頁的各項參數均設有預設值。該等預設值係針對各策略配置的起始參考值，並非適用於所有資料集與硬體條件的最佳值。本章逐項說明各參數的作用與調整後的影響。
一、策略決定顯示的欄位
訓練頁的參數區依所選策略調整顯示內容（上圖左側選用 act，右側選用 gr00t，紅框處為隨之變動的區域）：
- 選擇 ACT：顯示全部七個欄位。
- 選擇 GR00T N1.5：僅顯示三個欄位——批次大小、步數、保存頻率。
欄位差異的成因
未顯示的四個欄位（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，填入數值亦不影響訓練結果。介面選擇將其隱藏而非保留為可填欄位，因此畫面上顯示的欄位即為實際生效的欄位。
若訓練執行速度不符預期，其成因不在本頁的參數設定，應參閱訓練監控中關於 GPU 使用率的判讀說明。
預設值的差異
切換策略時，畫面上的數值將自動替換為該策略的起始值：
| 項目 | ACT | GR00T N1.5 |
|---|---|---|
| 學習性質 | 從零訓練 | 於預訓練基礎上微調 |
| 批次大小 | 8 | 8 |
| 步數 | 100,000 | 20,000 |
| 保存頻率 | 20,000 | 10,000 |
| 種子／資料載入執行緒數／評估頻率／日誌頻率 | 顯示 | 不顯示 |
此一差異源自兩種策略的學習性質：ACT 須從零學習完整動作，需要較高的重複次數；GR00T N1.5 則於已具備通用機器人動作能力的預訓練模型上進行微調，所需步數顯著較低，保存頻率亦隨之縮短。批次大小的預設值於兩種策略相同，惟 GR00T 的模型規模較大，於相同批次下的顯示卡記憶體用量較高，實際可用的上限較低。
設定順序 切換策略將覆寫已修改的數值。此為預期行為，因原策略的參數組合不適用於新策略。因此應先選定策略，再進行參數調整。
二、各項參數說明
展開「其他選項」後可見參數欄位。以下七項為 ACT 的完整清單；選擇 GR00T N1.5 時僅顯示其中三項。
1. 批次大小（Batch Size）｜兩種策略預設均為 8
定義： 每次更新模型時一併處理的資料筆數。
影響：
- 數值過小：單次更新所依據的樣本數不足，學習方向易受個別樣本影響，訓練過程不穩定。
- 數值過大：可能因記憶體不足而中斷；即使可執行，過大的批次亦不必然帶來更佳的結果。
- 硬體限制：本項為七個參數中對顯示卡記憶體佔用最直接者。當訓練無法啟動或因記憶體不足中斷時，應優先調降本項數值。
2. 步數（Steps）｜ACT 預設 100,000・GR00T 預設 20,000
定義： 訓練的總更新次數。
影響：
- 數值過小：模型尚未收斂即結束訓練，推論時的動作零散且精度不足。
- 數值過大：除延長訓練時間外，模型可能過度擬合示範資料中的偶然特徵，反而降低對變化情況的處理能力。
- 硬體限制：本項數值直接決定訓練的執行時數。
3. 保存頻率（Save Frequency）｜ACT 預設 20,000・GR00T 預設 10,000
定義： 每間隔指定步數保存一次訓練進度。
影響：
- 數值過小：保存過於頻繁將佔用磁碟空間，並略微延長訓練時間。
- 數值過大：訓練中斷時損失的進度較多。極端情況下，若保存頻率大於總步數，訓練結束後可能未產生任何進度存檔。
- 設定建議：使整體訓練保留數個至十個存檔點為合理的起始配置。ACT 的訓練時間較長，預設的 100,000 ÷ 20,000 將保留五個存檔點；GR00T 的微調時間顯著較短，預設的 20,000 ÷ 10,000 保留兩個即已足夠。訓練時間越短，所需的存檔點數量越少。
術語對照 介面使用「保存頻率」與「檢查點路徑」，產品總覽文件則稱之為「進度存檔」。兩者所指相同，checkpoint 即訓練過程中的進度存檔。
4. 種子（Seed）｜預設 1000（僅 ACT 顯示）
定義： 控制訓練過程中隨機行為的起始值。數值本身不具意義。
用途： 固定同一種子可使兩次訓練的隨機行為一致，藉此確認參數調整所產生的效果差異來自該項參數，而非隨機性所致。
設定建議：
- 比較參數效果時應固定不變。
- 評估模型穩定性時可採用不同種子各訓練一次；若結果差異顯著，代表資料量可能不足。
- 一般情況下維持預設值即可。
5. 資料載入執行緒數（Num Workers）｜預設 4（僅 ACT 顯示）
定義： 於背景讀取訓練資料的執行緒數量。
影響：
- 數值過小：GPU 完成一批運算後須等待資料，使用率無法提升，訓練速度下降。
- 數值過大：佔用過多 CPU 資源，並與其他作業競爭。
- 判斷依據：訓練時觀察 GPU 使用率，持續偏低通常代表資料供給不足。
6. 評估頻率（Eval Frequency）｜預設 20,000（僅 ACT 顯示）
定義： 每間隔指定步數執行一次模型評估，用於監控訓練過程中的表現變化。
影響：
- 數值過小：評估作業本身耗費運算時間，過於頻繁將延長整體訓練時間。
- 數值過大：無法觀察訓練過程中的表現變化。
7. 日誌頻率（Log Frequency）｜預設 200（僅 ACT 顯示）
定義： 每間隔指定步數記錄一次訓練指標，主要為 Loss。本項決定畫面上 Loss 數值的更新頻率。
影響：
- 數值過小：日誌量較大，數值變動頻繁，不易判讀趨勢。
- 數值過大：畫面上的 Loss 更新間隔過長，訓練異常時的發現時間延後。
- 設定建議：預設值適用於長時間訓練。執行短時間測試時可適度調低。
三、參數的調整方式
建議的作法為先以預設值執行一次短時間試訓，再依結果調整：
- 沿用畫面帶入的預設值執行訓練。
- 觀察 Loss 是否下降，以及於何處趨於平坦（判讀方式）。
- 若訓練結束時 Loss 仍明顯下降，代表步數不足，應增加後重新訓練。
- 若 Loss 於早期即趨於平坦，可縮短步數，並將時間配置於推論驗證。
此一作法較直接沿用任何一組建議值可靠，因所需的訓練步數取決於資料集本身的特性。
四、依資料集特性調整
示範集數較少（十餘集以內）。 資料量不足時，模型易於記憶各集的完整內容。建議不過度延長步數；若條件允許，應優先補充資料而非延長訓練。
示範集數較多（數十集以上）。 資料量充足，可承受較長的訓練時間。建議適度增加步數，並留意 GPU 使用率，因資料量增加後，資料載入易成為瓶頸（ACT 可調高資料載入執行緒數）。
任務動作較長、單集時間較久。 各集的資料量較大，記憶體壓力集中於批次大小。建議批次大小採保守設定，並適度提高保存頻率。
高變異任務（物件位置或外觀變化較大）。 此類任務應採用 GR00T（參見策略選擇）。相較於延長訓練，應優先確認資料中是否涵蓋足夠的變化條件；若示範時工件位置固定，則參數調整無法產生應變能力。
上述四種情況中，有兩種的處理方式為回頭調整資料而非參數。當參數的反覆調整未產生進展時，成因通常位於資料準備階段。
五、新訓練與繼續訓練
「訓練模式」提供兩個選項：
新訓練。 由起始狀態開始訓練，此為預設值。
繼續訓練（Resume）。 由既有的進度存檔接續訓練。選擇後以「瀏覽」指定進度存檔，選定後平台將自動載入。
載入完成後，畫面將以「模型名 / 步數」標示所選的存檔，並帶回該次訓練的原始參數。接續訓練的性質為延續同一次訓練，故參數應維持原設定。
適用時機參見訓練監控與接續訓練。
下一步: 訓練監控.