henry 发自 凹非寺

量子位 | 公众号 QbitAI

今天凌晨，Physical Intelligence发布了全新的VLA模型π0.7，狠狠敲了世界模型一记闷棍。

π0.7第一次在机器人领域证明了Compositional Generalization（组合泛化），且VLA。

在遇到新任务时，模型可以组合以前学过的原子技能，自己拼出解法。

就像乔丹会跳投、会后仰，遇到新防守时自己琢磨出后仰跳投。

没人专门教他这一招，他自己组出来了。

Demo里最炸的两个：

任务泛化：机器人没见过空气炸锅，也能根据指令，组合机械臂动作把红薯烤出来。

本体泛化：把从一个机械臂学来的抓取策略，直接部署在另一台机械臂上。

更离谱的是，Physical Intelligence的研究员自己也说不清π0.7到底会什么。

他们还在探索边界，玩起来很有趣，到目前为止效果相当令人惊喜。

切黄瓜、削皮、倒垃圾、烤红薯……都能干

用Physical Intelligence的研究员Ashwin Balakrishna说：

我过去总能根据训练数据猜出模型能做什么。这一次,我猜不到了。

π0.7最核心的洞见只有一句话，多样化的数据需要多样化的prompt。 但它带来的结果，远比这句话本身要深远得多。

过去VLA训练只喂一句清理冰箱，模型得到的信号是单一的。π0.7把prompt展开成四层：

而且π0.7自己琢磨出了和source robot完全不同的抓取策略——

人类操作员在源机器人上用倾斜夹爪贴住桌面抓，π0.7在UR5e上用的是垂直抓取，因为这更适合UR5e更长的手臂运动学。

组合任务泛化：

用空气炸锅做红薯、烤贝果、按下按钮、用抹布擦耳机和尺子、拧旋钮和桌面风扇，训练数据里一条都没有。

第二代是π0开的头，给VLM接一个专门的action expert，用flow matching直接生成连续动作chunk。

中间那些模型——π0.5的open-world generalization、π0.6的RL自我练习、MEM的多尺度记忆——

都没改这个基座。都是在VLM action expert flow matching这个结构上往上加能力。

π0.7也是。架构上它和π*0.6没有本质差别，它加的是prompt的多样性。

这就是为什么论文里说”我们的贡献不是架构”。

但，更有意思的是另一个人。

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

她在推特上发了一条thread，讲了一个非常诚实的故事。

之前，她跟着朱玉可、Jim Fan在英伟达做世界模型。

她押的注和Karol他们相反——

世界模型会是关键的钥匙，会在任务泛化上显著超过标准VLA方法。

一开始，结果确实支持这个假设。她拿到了惊艳的组合泛化，机器人能遵循没见过的指令，做训练数据里没有的任务，从其他机器人和人类视频迁移。

但有个奇怪的事情发生了。

他们拿来对比的VLA基线，一直在变强。

随着数据越收越多，VLA越来越强，直到有一天，VLA基线也开始展示出组合泛化的信号。

而且，VLA的方法简单得多。

面对这一问题，Lucy感到无可奈何：

当你的基线吃掉了你的研究假设，你能怎么办？你写一篇论文，去搞清楚基线为什么这么强。

那篇论文，就是π0.7。

参考链接

[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/

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态