⚡ 3줄 요약
- 로봇 자동화를 시험하겠다고 수천만 원짜리 장비부터 사는 건 순서가 틀렸다 — 먼저 450M짜리 공개 모델과 100달러대 팔로 재본다.
- SmolVLA가 내세우는 ‘30% 빠른 반응·2배 처리량’은 특정 벤치마크 수치지, 내 작업장에서 보장되는 값이 아니다.
- 도입의 첫 단계는 설치가 아니라 “내 작업을 어떻게 측정할까”를 정하는 일이다.
로봇에 AI를 붙여보고 싶은 팀이 가장 먼저 저지르는 실수는 장비 견적부터 받는 것이다. 산업용 로봇 팔에 고성능 GPU 서버를 얹으면 시작가가 수천만 원으로 뛴다. 그런데 정작 검증하고 싶은 건 “우리 작업을 AI가 흉내 낼 수 있는가”라는 훨씬 단순한 질문이다. Hugging Face가 공개한 SmolVLA는 그 질문을 100달러대 하드웨어와 무료 모델로 먼저 답해보라고 만든 물건이다. 값비싼 결정을 뒤로 미루는 도구인 셈이다.
VLA가 뭐길래 — 카메라와 말 한마디를 로봇 동작으로 바꾼다
SmolVLA는 VLA(Vision-Language-Action) 모델이다. 카메라 영상(Vision), 사람의 지시(Language), 그리고 로봇이 실제로 취할 움직임(Action)을 하나로 잇는다. “빨간 블록을 상자에 넣어”라는 문장과 작업대 영상을 넣으면, 로봇 팔이 이어서 수행할 관절 움직임을 출력한다. 로봇의 현재 자세도 함께 입력으로 받는다.
기존 로봇 AI가 무거웠던 이유는 두 가지다. 다양한 물체·환경에 대응하려면 방대한 데이터와 큰 모델이 필요했고, 그 데이터가 대부분 비공개여서 남이 재현하기도 어려웠다. SmolVLA는 반대로 간다. 학습·실행 절차를 통째로 공개하고, 소비자용 장비에서 돌아가도록 크기를 줄였다.
450M — 작다는 게 이 모델의 전부다
SmolVLA의 크기는 450M 파라미터다. 요즘 수십억 파라미터 VLA가 흔한 걸 감안하면 확연히 작다. 작다는 건 곧 소비자용 GPU에서도 굴러간다는 뜻이고, 이게 이 모델의 존재 이유다. 성능 순위표 1등이 목표가 아니라, 진입 비용을 무너뜨리는 게 목표다.
구조는 두 덩어리다. 앞단에서 영상과 지시를 이해하는 부분은 SmolVLM2라는 작은 사전학습 VLM을 쓴다. 그 뒤 실제 움직임을 계산하는 action expert는 약 100M 파라미터짜리 별도 트랜스포머다. 상황을 ‘읽는’ 뇌와 몸을 ‘움직이는’ 뇌를 나눠 놓은 구조라고 보면 된다.
| 항목 | 공식 수치 | 어떻게 읽나 |
|---|---|---|
| 모델 규모 | 450M 파라미터 | 소비자용 GPU에서 실행 가능한 크기 |
| action expert | 약 100M 파라미터 | 움직임 계산 전담 구조 |
| 학습 데이터 | 커뮤니티 데이터셋 487개 · 약 1,000만 프레임 | SO100 팔 중심, 공개 라이선스 한정 |
| 촬영 표준 | 30 FPS | 데이터 촬영 속도를 통일한 값 |
| 학습 에피소드 | 3만 개 미만 | 다른 VLA보다 적은 학습량이라 소개 |
| 시각 압축 | 512×512 → 64토큰 (원래 1024) | PixelShuffle로 계산량 절감 |
학습 데이터는 커뮤니티가 공유한 487개 데이터셋(약 1,000만 프레임)으로, 저가 SO100 로봇 팔로 모은 것이 중심이다. 여기에 작업 설명 문장을 짧고 행동 중심으로 다듬는 데는 Qwen2.5-VL-3B-Instruct를 썼다. 데이터부터 도구까지 공개된 재료로 짜였다는 점이 핵심이다.
‘30% 빠른 반응’의 정체 — 품질이 아니라 겹치기 실행이다
SmolVLA가 홍보에서 앞세우는 문구가 “asynchronous inference로 30% 빠른 반응, 2배 처리량”이다. 여기서 오해가 생긴다. 이 숫자는 답이 30% 더 정확해진다는 게 아니라, 로봇이 멈춰 서는 시간을 줄였다는 뜻이다.
보통 로봇은 ‘영상 보기 → 다음 행동 계산 → 실행’을 순서대로 한다. 계산하는 동안 로봇은 가만히 기다린다. 비동기 추론은 로봇이 움직이는 동안 다음 영상을 미리 처리한다. 해석과 동작을 겹쳐 돌려 빈 시간을 없애는 방식이다. 공식 자료의 큐브 쌓기 실험에서는 같은 시간에 9개 대 19개, 완료 시간은 13.75초 대 9.7초로 벌어졌다.
⚠️ 가장 흔한 함정
‘2배 처리량’은 일을 두 배 빨리 쳐낸다는 속도 이야기지, 판단이 두 배 정확해진다는 뜻이 아니다. 게다가 저 9.7초·19개 같은 값은 특정 하드웨어와 작업(큐브 쌓기)에서 나온 것이다. 내 로봇, 내 조명, 내 카메라에서는 처음부터 다시 재야 한다.
영상 처리 부담도 줄였다. PixelShuffle이라는 기법으로 512×512 이미지를 원래 1024개가 아닌 64개 토큰으로 압축한다. 여기에 VLM의 절반 층만 추론에 쓴다. 화질 좋은 큰 영상을 통째로 계산하는 대신, 필요한 정보 묶음 수를 줄여 작은 GPU에서도 돌게 만든 것이다. 이렇게 토큰 수·정밀도 같은 몇 개의 다이얼이 결국 비용과 지연을 좌우한다.
벤치마크는 넓다, 그러나 내 작업장은 아니다
SmolVLA-450M은 시뮬레이션(LIBERO, Meta-World)과 실제 로봇(SO100, SO101) 작업에서 훨씬 큰 VLA와 ACT 같은 강력한 기준 모델을 앞섰다고 소개된다. 작은 모델치고 인상적인 성적이다. 하지만 이 문장을 그대로 “그럼 우리도 되겠네”로 읽으면 위험하다.
벤치마크는 정해진 조건에서 비교한 결과다. 로봇 AI가 낯선 물체, 바뀐 조명, 새 작업으로 일반화하는 일은 지금도 이 분야에서 가장 어려운 문제다. 독립 연구자가 같은 조건을 재현했는지, 안전이 걸린 작업에서 오작동을 얼마나 줄이는지는 공개 자료만으로 판단할 수 없다. 작다는 사실이 곧 ‘어디서나 잘 된다’를 보장하진 않는다.
🎯 FEEDON의 선택 — 우리라면 이렇게 한다
솔직히 대부분의 팀에게 SmolVLA의 가치는 성능 순위가 아니라 실패해도 싼 실험을 가능하게 한다는 데 있다. SO-101 팔은 부품값 기준 100달러대(모터 키트 완제품 약 220달러 + 3D 프린트 부품 약 35달러 수준)로 알려져 있다. 산업용 도입 결정을 내리기 전에, 이 정도 비용으로 “우리 작업이 흉내낼 만한가”를 먼저 확인하는 게 순서다. 모델부터 고르지 말고 비용·생산성·운영을 함께 보는 도입 지도로 접근하는 편이 안전하다.
그러니 큰 모델·큰 장비부터 지르지 마라. 공개 모델 + 저가 팔로 측정 → 될 것 같으면 데이터 늘려 재학습 → 그다음에 장비 투자. 위에서 내려오지 말고 아래에서 올라간다. 재학습 단계에서 성능을 가르는 건 모델 크기보다 얼마나 좋은 자료로 다시 학습시키느냐인 경우가 많다.
도입 전 체크리스트 — 설치보다 측정 계획이 먼저다
SmolVLA 도입의 진짜 첫 단계는 pip install이 아니라, 내 작업을 무엇으로 어떻게 평가할지 정하는 일이다.
- 카메라 수·영상 크기·로봇 상태 입력 형식이 모델이 기대하는 형태와 맞는지 확인한다
- SO100·SO101·LeKiwi 같은 호환 하드웨어에 해당하는지 본다
- 집기·이동·개수 세기처럼 평가할 작업을 하나로 좁힌다
- LIBERO·Meta-World 결과는 참고만 하고 현장 성능으로 오해하지 않는다
- 조명 변화·물체 위치 변화에서 반복 시험한다
- 오작동 시 즉시 정지하는 방법과 사람의 접근 조건을 먼저 정한다
- ‘30%·2배’ 수치는 반드시 내 장비에서 다시 측정한다
공식 저장소가 제공하는 설치 절차는 아래와 같다. 새로 학습시키기 어려운 팀이라면 우선 제공된 모델과 실행 절차로 작은 작업부터 시험하면 된다.
git clone https://github.com/huggingface/lerobot.git
cd lerobot
pip install -e ".[smolvla]"도입 순서
🛠️ 저가 팔로 먼저 재보기
- 내 로봇이 SO100·SO101·LeKiwi 같은 호환 하드웨어에 해당하는지, 카메라 수·영상 크기·로봇 상태 입력 형식이 모델이 기대하는 형태와 맞는지부터 확인한다.
git clone https://github.com/huggingface/lerobot.git후cd lerobot,pip install -e ".[smolvla]"로 공식 저장소를 설치한다.- 집기·이동·개수 세기 중 평가할 작업을 딱 하나로 좁히고, 조명·물체 위치를 바꿔가며 반복 시험한다.
- 오작동 시 즉시 정지하는 방법과 사람이 접근해도 되는 조건을 시험 전에 먼저 정해 둔다.
- ‘30% 빠른 반응·2배 처리량’ 수치는 믿지 말고 내 로봇·조명·카메라에서 처음부터 다시 측정한다.
출처: Hugging Face 「SmolVLA」 기술 소개 · 하드웨어 가격은 판매처·구성에 따라 변동될 수 있음
이 글은 FEEDON이 공개 1차 자료를 바탕으로 작성·검증했습니다.
