← 视觉 · 语言 · 动作 / 动作分布与效率

正式发表 / Vision–Language–Action

π0.5

π0.5: A Vision-Language-Action Model with Open-World Generalization

CoRL · 2025

快照 2026-10-28 · 引用:Semantic Scholar / arXiv 关联记录 · 代码核验依据 ↗

关键框架 FRAMEWORK
离散预训练与连续动作后训练π0.5 · 原文 Fig. 3 · p.4 ↗

第一阶段混合机器人、语义子任务和互联网数据,以 FAST token 训练;后训练加入 flow matching 动作专家,同时支持高层和低层推断。

  1. 01混合数据预训练
  2. 02加入连续动作专家
  3. 03分层推断并执行
π0.5离散预训练与连续动作后训练
离散预训练与连续动作后训练

第一阶段混合机器人、语义子任务和互联网数据,以 FAST token 训练;后训练加入 flow matching 动作专家,同时支持高层和低层推断。 来源 ↗ · 打开完整图片 ↗

THE IDEA

它在解决什么

通过数据混合与模型训练设计,研究跨环境的机器人任务泛化。

WHY READ IT

为什么放在这条路线

π0 到开放环境操作之间的代表工作,连接语言语义、子任务和动作学习。

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

新环境不等于所有物体与技能都未见过,需要拆解测试中究竟变化了什么。

我的阅读笔记

LOCAL NOTES
笔记仅保存在当前浏览器