← 视觉 · 语言 · 动作 / 动作分布与效率

正式发表 / Vision–Language–Action

π0

π0: A Vision-Language-Action Flow Model for General Robot Control

RSS · 2025

快照 2026-10-28 · 引用:Semantic Scholar / 正式版 DOI 记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
视觉语言模型与动作专家π0 · 论文 Figure 3 ↗

预训练视觉语言模型连接动作专家,通过 flow matching 生成连续动作块。

  1. 01编码视觉与语言
  2. 02动作专家去噪
  3. 03执行连续动作块
π0视觉语言模型与动作专家
视觉语言模型与动作专家

预训练视觉语言模型连接动作专家,通过 flow matching 生成连续动作块。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

把视觉语言能力与 flow matching 动作生成结合,产生连续动作序列。

WHY READ IT

为什么放在这条路线

π 系列的关键起点;作为 2024 首发技术报告收录,便于按技术演进顺序阅读。

当前阶段动作分布与效率 ↗

能量、量化、扩散与流匹配如何生成动作?

READ WITH A QUESTION

读的时候,留意什么

报告版本与后续会议版本需区分;重点看动作专家和预训练模型之间的信息交互。 初稿发布于 2024 年,正式版按 RSS 2025 收录。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器