π0.7發布，VLA押出了機器人的GPT-3時刻

henry 發自 凹非寺
量子位 | 公眾號 QbitAI

今天凌晨，Physical Intelligence發布了全新的VLA模型π0.7，狠狠敲了世界模型一記悶棍。

π0.7第一次在機器人領域證明了Compositional Generalization（組合泛化），且VLA。

在遇到新任務時，模型可以組合以前學過的原子技能，自己拼出解法。

就像喬丹會跳投、會后仰，遇到新防守時自己琢磨出后仰跳投。

沒人專門教他這一招，他自己組出來了。

Demo里最炸的兩個：

任務泛化：機器人沒見過空氣炸鍋，也能根據指令，組合機械臂動作把紅薯烤出來。

本體泛化：把從一個機械臂學來的抓取策略，直接部署在另一臺機械臂上。

更離譜的是，Physical Intelligence的研究員自己也說不清π0.7到底會什么。

他們還在探索邊界，玩起來很有趣，到目前為止效果相當令人驚喜。

切黃瓜、削皮、倒垃圾、烤紅薯……都能干

用Physical Intelligence的研究員Ashwin Balakrishna說：

我過去總能根據訓練數據猜出模型能做什么。這一次,我猜不到了。

π0.7：具有涌現能力的可控模型

π0.7最核心的洞見只有一句話，多樣化的數據需要多樣化的prompt。 但它帶來的結果，遠比這句話本身要深遠得多。

用多樣化的prompt，吃下多樣化的數據

過去VLA訓練只喂一句清理冰箱，模型得到的信號是單一的。π0.7把prompt展開成四層：

任務指令（清理廚房）+子任務指令（打開冰箱）+子目標圖像（下一秒畫面應該長什么樣）+episode元數據（這條數據質量幾分、有沒有出錯、速度多快）。

有了這些豐富的context，模型就能分得清訓練數據里的好壞、快慢、對錯。

然后它就能吃下以前吃不了的數據。失敗的rollouts，低質量的演示，其他機器人的片段，人類的egocentric視頻，全都變成有用的信號。

換句話說，多樣數據本身不是問題，問題是模型不知道自己在學什么。

π0.7加的那層prompt，就是讓模型知道“這段數據是什么質量、用什么策略做的”。

于是，具身領域第一次出現通才追平專才的涌現時刻。

通才追平專才

在轉帖中，Physical Intelligence聯合創始人Chelsea Finn說了一個很有意思的對比：

大語言模型的后訓練，過去指的是針對下游任務做微調。一直以來，機器人也卡在這個階段，想要最好的性能，就得針對具體任務微調。

π0.7改變了這一點：開箱即用，而且超過了fine-tuned的專家模型。

口說無憑，實驗數據是這樣的：

π0.7沒做任何專項訓練，就能在做咖啡、疊衣服、裝箱三個復雜任務上，追平π0.6經過微調的的專家模型。

這里說的專家模型有兩種，一種是π*0.6的RL specialist，用RECAP方法針對咖啡、裝箱、疊衣服單獨訓過。

另一種是π0.6上的SFT specialist，針對每個任務單獨微調過。

更離譜的是，在疊衣服裝箱這兩個最難的任務上，π0.7的比RL specialist單位時間完成的次數更多。

可以說，一個什么都沒專門訓過的通才，打過了專門為某個任務訓出來的專才。而這也是PI一直堅定的方向之一。

組合泛化開始涌現

π0.7的涌現能力分成四塊。

開箱即用的dexterity：做咖啡、疊衣服、剝蔬菜、削西葫蘆、換垃圾袋。全部不做任務專項訓練。

指令泛化：在4個沒見過的廚房和2個沒見過的臥室里，跟著3-6步開放指令干活。

甚至能聽懂拿起那個最大盤子里的水果、拿起我用來喝湯的那個東西這種復雜空間和語義指代。

跨本體泛化：在疊T恤等任務中，訓練數據里一條UR5e疊衣服的樣本都沒有。

π0.7不但做出來了，任務完成度85.6%，和10個平均375小時teleoperation經驗的頂級人類操作員的90.9%基本打平。

而且π0.7自己琢磨出了和source robot完全不同的抓取策略——

人類操作員在源機器人上用傾斜夾爪貼住桌面抓，π0.7在UR5e上用的是垂直抓取，因為這更適合UR5e更長的手臂運動學。

組合任務泛化

用空氣炸鍋做紅薯、烤貝果、按下按鈕、用抹布擦耳機和尺子、擰旋鈕和桌面風扇，訓練數據里一條都沒有。

這不是多做了幾個任務的增量，是機器人第一次像LLM那樣，從訓練數據里涌現出新能力。

正如，Sergey Levine說的：

一旦模型越過那個閾值，從「只能做收集過數據的事」變成「開始重組出新事」，能力就會超線性地隨數據增長。

數據過濾可能是個偽問題

論文里藏著一個非常反直覺的實驗。

研究把疊衣服的數據按質量分四檔：top30%、top50%、top80%、全部數據。

然后分別訓兩個版本的π0.7，一個加metadata（每條數據打上質量幾分、有沒有出錯、多快完成的標簽），一個不加。

結果很有意思。

不加metadata的版本，數據越多，性能越差——因為混入了低質量數據把模型帶歪了。

加了metadata的版本，數據越多，性能越好——哪怕平均質量在下降。

這意味著整個具身領域過去幾年都在做的“數據清洗”，可能是個偽問題。

只要模型知道每條數據的質量標簽，它就能自己決定要學什么、不學什么。

垃圾數據不再是垃圾，是帶著quality=1/5標簽的有用信號。失敗數據也不是要丟掉的東西，是告訴模型這么干會失敗的反面教材。

過去所有人都在小心翼翼地挑演示、刪失敗、洗數據。π0.7說，別洗了，告訴模型哪些臟就行。

π0.7是怎么做到的？

π0.7是一個5B參數的模型，分三塊。

• VLM骨干：4B參數的Gemma3，負責理解視覺和語言。
• Action expert：860M參數的transformer，用flow matching生成連續動作chunk，50Hz高頻控制。
• World model：從14B的BAGEL圖像生成模型初始化，負責給π0.7畫出未來幾秒應該是什么樣子。

在推理中，模型輸入包括：4路攝像頭（前視+兩個腕部+可選后視）、每路6幀歷史畫面、機器人關節狀態、再加上任務指令、子任務指令、元數據、以及world model實時畫出的次目標圖像。

輸出是一段50步的action chunk，實際執行15到25步，然后再推下一段。

說到這里，可能有人會問，π0.7里塞了個world model，這算不算和世界模型派融合了？

半算，半不算。

世界模型派的核心是讓模型學會模擬物理演化：給一個動作，預測世界變成什么樣。policy基于這個預測做決策。

π0.7里的world model不干這事。它只負責一件事，把任務指令翻譯成成功那一幀應該長啥樣。不預測動作后果，不模擬物理，不參與決策鏈路。

它是個消歧器，不是個規劃器。

用世界模型派的武器，干了一件不是世界模型派想象的事。

此外，π0.7還站在兩篇前作的肩膀上，繼承了π0.6的架構底子，以及MEM的多尺度記憶編碼器（短期視頻memory+長期語義memory）。

訓練上用了Knowledge Insulation

VLM骨干用FAST token做next-token prediction訓練，action expert的梯度不回傳到VLM。這樣VLM從互聯網學來的語義知識被保護住，不被機器人動作數據污染。

但架構不是π0.7最重要的東西，論文中也說：

我們的貢獻不是提出新的架構或模型設計，而是一套讓VLA能使用更多樣化數據源的方法論。

VLM可以直接控制機器人，不需要先學會想象世界

在π0.7之前，具身圈最火的還是英偉達去年用Cosmos帶起來的世界模型風潮。

讓機器人先學會想象未來，再去操作現在

這個路線看起來很符合直覺，人類不就是這么干的嗎？閉上眼睛想一下要做什么，然后再動手。

從2025年到現在，這條路線收了最多的注意力和投入。

今天，風向又要變了——VLA回來了！

而說到VLA，壓根沒人比Physical Intelligence更懂。

2023年，PI聯創Karol HausmanSergey LevineChelsea Finn三個人，在Google做RT-2的時候，就押注了一個判斷。

VLM可以直接控制機器人，不需要先學會想象世界。

意思是，你不用讓模型先學會預測下一幀畫面、不用讓它腦補物理規律、不用讓它建立一個內部的世界模擬器。

你直接拿一個已經見過互聯網的VLM，接一個動作頭，端到端訓，就夠了。

從RT-2到π0.7，其實只有兩代VLA架構。

第一代是RT-2，把機器人動作離散化成token，塞進VLM的next-token prediction里。

能動，但控制精度不高，而且自回歸預測生成慢，跟不上50Hz的高頻連續控制。

第二代是π0開的頭，給VLM接一個專門的action expert，用flow matching直接生成連續動作chunk。

中間那些模型——π0.5的open-world generalization、π0.6的RL自我練習、MEM的多尺度記憶——

都沒改這個基座。都是在VLM+action expert+flow matching這個結構上往上加能力。

π0.7也是。架構上它和π*0.6沒有本質差別，它加的是prompt的多樣性。

這就是為什么論文里說”我們的貢獻不是架構”。

但，更有意思的是另一個人。

Lucy Shi，斯坦福博士生在讀，師從Chelsea Finn，π0.7的核心作者之一。

她在推特上發了一條thread，講了一個非常誠實的故事。

之前，她跟著朱玉可、Jim Fan在英偉達做世界模型。

她押的注和Karol他們相反——

世界模型會是關鍵的鑰匙，會在任務泛化上顯著超過標準VLA方法。

一開始，結果確實支持這個假設。她拿到了驚艷的組合泛化，機器人能遵循沒見過的指令，做訓練數據里沒有的任務，從其他機器人和人類視頻遷移。

但有個奇怪的事情發生了。

他們拿來對比的VLA基線，一直在變強。

隨著數據越收越多，VLA越來越強，直到有一天，VLA基線也開始展示出組合泛化的信號。

而且，VLA的方法簡單得多。

面對這一問題，Lucy感到無可奈何：

當你的基線吃掉了你的研究假設，你能怎么辦？你寫一篇論文，去搞清楚基線為什么這么強。

那篇論文，就是π0.7。

[1]https://www.pi.website/blog/pi07

[2]https://x.com/physical_int/status/2044841263254638862

[3]https://techcrunch.com/2026/04/16/physical-intelligence-a-hot-robotics-startup-says-its-new-robot-brain-can-figure-out-tasks-it-was-never-taught/