作者在 Hugging Face 的 LeRobot 生态里接触 SO-ARM101——一只低成本 3D 打印机械臂，配套标准化数据集、可用的模仿学习管线与活跃社区——终于迈入具身智能。本文记录训练第一个 Action Chunking with Transformer（ACT）策略踩过的、官方文档没写明白的坑：至少两路相机（腕部近景加顶视全局）、训练时把 1080p 降到 640×480 以缩小数据与显存、用单色乐高块和纯色容器消除早期视觉噪声。数据量跟着任务复杂度走：固定起点约 30 集、随机起点约 100 集、起点终点都随机要 250 集以上。他用 LeRobot 无缝对接 Hugging Face Hub，把重活放到办公室的 NVIDIA DGX Spark 上训练，一路把 L1 Loss 从 0.074 压到 0.040。