企业官网建设流程全解析

GigaWorld-1 是面向机器人策略评估的开源世界模型（World Model），提供从数据处理、两阶段训练到推理的一整套工作流。好消息是：把它迁移到你的新领域不需要改一行代码——只需把新域数据做成官方格式、修改一个 YAML 配置，就可以在 8 卡 GPU 上启动 Stage-1 训练，多数新域几千步即可收敛，通常一天内完成世界模型微调。

🎯 为什么"换个领域"门槛这么低

官方 README（README.md §4.3Training on Other Domains）明确承诺：

• 零代码改动：新域只需按现有格式构造训练数据，直接复用现有 Stage-1 训练管线；
• 训练量小：多数新域在 8 卡 GPU 上训练几千步即可，一天内跑完；
• LoRA 训练：Stage-1 默认使用lora_rank: 128、all-linear的 LoRA 方案，显存友好，配合 DeepSpeed ZeRO-2 在 8×A100 / 8×H20 单节点上稳定运行；
• 产出即插即用：训练出的 LoRA checkpoint 可直接通过推理脚本的--checkpoint_path加载验证效果。

整体流程只有 4 步：

📦 第 1 步：环境与模型快速准备

硬件建议（来自 README.md §1.1）：单节点8×H20 或 8×A100，Linux（Ubuntu 20.04/22.04 验证），CUDA 12.x。消费级显卡也可通过 ZeRO、offload、梯度检查点等方式训练，但会明显变慢。

# 1. 克隆仓库 git clone https://gitcode.com/gh_mirrors/gi/giga-world-1 && cd giga-world-1 # 2. 按 CUDA 版本安装 PyTorch 后，一键安装依赖 bash install.sh

install.sh 会按 requirements.txt 安装 accelerate、deepspeed、diffusers（仓库thirdparty/内置定制版）、peft 等依赖。

然后下载基座模型与玩具数据（用于验证整条流程）：

bash tools/download_tool/download_giga_world.sh --platform hf --target model --output-dir ./downloads bash tools/download_tool/download_giga_world.sh --platform hf --target toydata --output-dir ./downloads

ModelScope 用户把--platform hf换成--platform modelscope即可，完整参数见 tools/download_tool/README.md。

🗂️ 第 2 步：把新域数据变成训练格式（最关键）

这是新域微调唯一真正需要动手的环节。GigaWorld-1 的数据管线消费LeRobot 风格的机器人原始数据，官方提供了端到端的转换脚本，详细说明见 tools/datapipeline/README_datapipeline.md。

2.1 输入：LeRobot 风格原始数据

task_name/ ├── data/chunk-000/episode_000000.parquet # 每集元数据（动作、qpos 等） ├── videos/chunk-000/ │ ├── observation.images.cam_high/ # 三视角：头顶 + 左右腕部 │ ├── observation.images.cam_left_wrist/ │ └── observation.images.cam_right_wrist/ └── meta/episodes.jsonl # 短任务描述

也支持直接传入包含多个 task 目录的父目录，脚本会自动筛选出同时有data/和videos/的目录。

2.2 一键预处理：多卡并行生成 gt / depth / labels

python tools/datapipeline/datapipeline_lerobot.py \ --output_base output \ --data_dir_list origin_data/task1 \ --num_gpus 8 --max_tasks -1

脚本会为每个 task 自动完成：三视角 RGB 视频重采样（gt/）、Depth Anything V2深度估计（depth/）、从episodes.jsonl提取短指令 + 用Qwen3-VL基于cam_high视频生成稠密长描述，最终写入labels/data.pkl。管线支持任务级和 episode 级断点续跑，多卡时按 rank 切分、单卡内存友好。

💡 预处理完成后，可以用仓库自带的 Web 可视化工具快速抽查数据质量：python tools/data_vis_tools/app.py --port 8090，浏览器打开http://127.0.0.1:8090/即可查看（源码 tools/data_vis_tools/app.py）。

2.3 预计算 latent，生成 .pt 训练样本

训练配置直接消费预计算好的.pt样本（参考仓库示例数据 example/README.md 中toy_train_dataset/的结构）。用离线工具把视频转成 latent 可显著加速训练期 IO：

bash tools/offload_data/get_short-latents-giga-ctrl.sh

该脚本（tools/offload_data/get_short-latents-giga-ctrl.py）会 8 卡并行把每个样本预编码为包含vae_latent、control_latent、prompt_embed等字段的.pt文件，格式细节见 tools/offload_data/data_format.md。Pro 5B 版本请使用 tools/offload_data/get_short-latents-giga-ctrl-wan22-5b.py。

🚀 第 3 步：改配置，一键启动 8 卡训练

数据就绪后，只需要修改一份 YAML。以 Nano（1.3B）为例，编辑 scripts/training/configs/stage_1_post_functrl_wan21.yaml：

Nano 与 Pro 的对应关系：

启动只需一条命令：

bash scripts/training/stage1/train_deepspeed_stage1_functrl_wan21.sh

脚本会自动nvidia-smi -L探测全部可见 GPU，用accelerate launch+ scripts/accelerate_configs/example_zero2.yaml（DeepSpeed ZeRO-2）拉起训练入口 train_gigaworld_functrl_uni_stage1.py，并把日志同步到output/exp/.../train.log。

内置的默认训练策略已经调好（无需关心）：bf16混合精度、梯度检查点、xformers 显存高效注意力、AdamW（lr 3e-5、warmup 500 步）、LoRA rank 128 覆盖all-linear（排除down/up），每 500 步存一个 checkpoint、自动从latest断点续训。

✅ 第 4 步：验证效果，确认一天内达标

• 训练中自动验证：每validation_steps: 500步会用你配置的首帧、控制视频和 prompt 生成一条 33 帧视频，实时对比新域 rollout 是否越来越"像"；
• checkpoint 落盘：实验产物统一写在output/exp/Giga-world-Nano-Train-Stage-1/（含每 500 步的 checkpoint）；
• 推理验证：修改 scripts/infer/run_infer_nano_i2v.sh 中的CHECKPOINT_PATH指向你的新域 checkpoint，即可对新域输入（首帧 + Plücker 控制视频 + 文本 prompt）做 i2v rollout，入口为 infer/infer_giga_world.py，支持 33 秒 / 10 FPS 的长 rollout；
• 加速部署（可选）：满意后可继续跑 Stage-2 DMD 蒸馏，把去噪步数从 20 压到 4–6 步（train_gigaworld_functrl_uni_stage2_dmd.py）；LoRA 合并为独立 transformer 的用法在 README.md §6 有完整说明。

🧩 关键参数与常见坑速查

1. 分辨率必须对齐：数据侧输出 480×640/视角，训练侧single_height: 480 / single_width: 1920，两侧不一致会直接加载失败；
2. batch size 看数据量：toy 数据1就够，真实数据建议4（见 stage_1_post_functrl_wan22_5b.yaml 中NOTE: 1 FOR TOY DATA, 4 FOR REAL DATA注释）；
3. "几千步"是经验值：官方表述为a few thousand steps on 8 GPUs，配合每 500 步的验证视频，通常半天就能看到新域效果是否达标，剩余时间留给收敛；
4. FlashAttention 可选：装了 FA2/FA3 会更快，没装也能靠 xformers 跑通（enable_xformers_memory_efficient_attention: true已默认开启）；
5. 小显存方案：配置里预留了offload、enable_tiling、gradient_checkpointing等开关，消费级显卡可组合使用。

小结：GigaWorld-1 的新域微调 = 标准格式数据 + 一份 YAML + 一条启动命令。数据管线负责"脏活累活"（深度估计、长描述生成、latent 预计算），DeepSpeed ZeRO-2 + LoRA 负责把 8 卡利用率拉满——一天时间，你的新领域就有了一台可以推演机器人策略的世界模型。