让模型选择，不被机载显存限制。
对本机难以承载的策略或视觉模型，评估服务器级 GPU 推理，把额外计算负载移出机器人。
TRAIN. DEPLOY. OPERATE.
从训练模型，到部署机器人技能。
连接模型训练、云端推理与机器人现场执行。根据任务选择算力和部署位置，把数据、模型版本与真机评测放进同一条可追溯的交付流程。
LOW-LATENCY CLOUD INFERENCE FOR ROBOTICS
为机器人模型
提供低延迟云端推理
云端技能部署与机器人接入
将训练好的机器人模型部署到云端，联合优化模型、GPU 内核、网络与就近部署。通过现场网关连接机器人，让模型推理成为可调用、可评测、可追溯的技能服务。云端与边缘推理并存，不认定所有机器人都应上云。
项目制适配与验证 · 不是即开即用的通用机器人技能库
低延迟为部署优化目标；实际表现以指定模型、设备与网络环境的测试为准。
DEPLOY A SKILL, NOT JUST A MODEL.部署示意
推理服务模型 + 适配配置
版本化技能
观测 ↑结果 ↓
机器人现场网关 + 本地控制
急停与底层控制，不等待云端。
按实验需求组织算力。
多台兼容设备可评估共享服务，减少重复环境与闲置。是否更省，要一起核算 GPU、网络、存储和运维。
更新的是技能版本，不是每台设备。
集中管理模型、适配配置与评测记录，按设备分批验证和发布；发现退化可回到已验证版本。
CLOUD INTELLIGENCE. LOCAL CONTROL.
计算在哪里，取决于任务。
云端与边缘推理并存，不是把所有控制搬上云。依据任务延迟、网络条件、数据权限和总成本，选择合适的部署位置。
就近区域 · 云端 GPU
把模型放在云端，把控制留在现场。
适合网络稳定、允许授权数据出域的研究与试点。按机器人所在区域评估部署位置，避免把跨区链路当作低延迟保障。
- 主要价值
- 减少每台机器人重复配置大显存算力，方便共享模型环境与版本。
- 部署前验证
- 验证端到端尾延迟、网络抖动、并发排队与数据传输成本；保留必要的本地算力。
云端 / 服务端推理
任务理解、策略推理、生成候选动作段
授权观测上行 / 带有效期的结果下行
现场网关
时间戳、状态对齐、动作映射与有效期检查
通过约束检查，才进入执行
机器人本地控制
伺服、限位、急停与经验证的故障处置
执行结果与异常 → 授权记录 → 评测 / 补采
ENGINEER THE WHOLE PATH
从一个模型，到一个可验收的部署。
按项目选择服务范围；适配模型、机器人型号与可交付功能在样本验证后确认。
不只是便宜算力，而是整条推理链路的优化。
模型
评估量化、推理步数与动作段策略，在任务效果和响应时间之间验证取舍。
GPU 内核
按模型与硬件评估算子、编译与内存访问优化；加速后重新验证数值与策略表现。
网络
优化观测编码、传输与连接管理，控制带宽、抖动和过期数据；不只看平均延迟。
就近部署
按机器人区域与现场条件选择节点，结合资源预热、并发调度或现场私有算力。
联合优化的目标是可验证的端到端表现，不是单项跑分。云端、边缘和本地方案以同一任务基线比较，不预设上云更优。
模型与技能封装
把权重、预处理、输入输出约定、机器人适配和运行条件组织成一个可追溯版本。
交付：技能清单 / 适配配置推理服务部署
按任务选择云端或私有 GPU，评估模型优化、资源预热与并发隔离，建立可监控的推理端点。
交付：部署配置 / 性能报告机器人端接入
对齐相机、状态、坐标系与动作空间，接入本地网关；验证动作有效期、约束检查与超时行为。
交付：接口适配 / 故障测试评测、发布与回流
先离线回放与影子推理，再监督下真机试验；记录失败、分批发布，关联回采数据与模型版本。
交付：验收报告 / 回退流程一个技能，不只是一个权重文件。
例如抓取分拣、双臂协作、移动巡检，都需要指定设备与任务验证。跨机器人复用必须重新确认动作空间、末端、相机布局和标定。
- 输入：相机、机器人状态、任务目标
- 输出：子目标或动作段、时间戳与有效期
- 适配：坐标系、控制接口、动作约束
- 版本：权重、环境、适用条件与评测记录
云端响应慢，或者断网了怎么办？
持续检查心跳、观测新鲜度与动作有效期；超时或状态不匹配时拒绝执行旧动作。按风险评估进入本地受控停止、安全保持或已验证的降级策略，保留人工接管。网络恢复后重新同步状态，不直接重放旧命令；高频接触控制不依赖公网回路。
怎样判断部署是否真的可用？
测量从观测到执行的端到端延迟，而非只看 GPU 推理时间；记录 P50 / P95 / P99、抖动、丢包、并发队列和资源启动耗时。再检查任务成功率、人工介入、超时处置、版本回退与总运行成本。不预设固定毫秒数或通用成功率。
与 Router、GPU Cloud 和数据平台有什么区别？
Router 提供通用模型 API 入口，GPU Cloud 提供计算资源；机器人技能部署还需要独立的模型运行时、设备适配和本地控制链路。可将授权的执行日志关联到数据版本与补采任务，但这些连接需按项目实施，不代表现有 Router 已提供机器人控制接口。
已有模型或机器人？从一项任务的部署评估开始。讨论设备与模型适配
ROUTER / MODELS & COMPUTE
Router连接模型，也连接算力。
从统一的模型 API 接入，到 GPU Cloud 计算环境，为数据处理、实验开发与模型训练选择合适的服务入口。
01 / API ROUTER
调用模型，不必重复接入。
通过统一入口访问已开通的模型，管理 API 密钥、模型权限与消费上限；在控制台查看调用记录、Token 用量和账单。
应用 / 数据工具API Router模型服务
进入 Router 控制台 02 / GPU CLOUD
运行实验，选择计算环境。
进入 GPU Cloud 查看算力与算法服务，用于具身数据处理、VLA 与世界模型训练等工作。根据模型规模、显存和运行环境确认资源需求。
训练 / 数据处理GPU Cloud计算环境
查看 GPU 算力服务 模型 API 调用与 GPU 计算资源分别管理，不等同于机器人控制接口。可用模型、资源配置、开通权限与计费以对应平台为准；项目数据外发前需确认授权。
THREE DIFFERENT WORKLOADS
把三类计算任务分开配置。
本地采集工作机
采集与数据处理
服务相机、传感器、回放与预处理，重点考虑接口带宽、存储写入、时间同步和连续运行。
云端或自有 GPU 集群
模型训练与调优
根据模型大小、序列长度、视觉输入、批量及精度选择 GPU 显存与数量；小样本试跑后估算资源。
云端推理 + 现场控制 / 本地部署
机器人在线推理
根据延迟、网络、功耗与数据权限选择云端、现场或本地推理；高频控制与安全处置保留在机器人本地。模型仍需接口与运行时适配。
MODELS ARE NOT INTERCHANGEABLE
模型 API，不等于机器人控制 API。
理解与数据处理模型
视觉或语言 API 可用于任务描述、候选标注、检索和质量检查。模型输出需要复核，不能自动视为动作真值。
机器人策略模型
需要明确相机输入、状态字段、动作空间、末端与控制频率。离线输出正确，不代表真机可安全执行。
REPRODUCIBLE BY DESIGN
训练服务，交付可追溯的实验。
实验配置
数据版本、划分、预处理、超参数、随机种子及环境依赖。
模型产物
纳入交付范围的权重、配置、模型许可与第三方依赖清单。
评测报告
固定任务与试验条件，记录成功率、人工介入、耗时及失败分类。
资源记录
GPU 类型、运行时长、存储及 API 用量按资源类别分别记录。
START WITH YOUR TASK
把你的研究任务，告诉我们。
从设备选型到数据与训练流程，一起确认适合的项目起点。