π0.6

Physical Intelligence · 2025-11

VLAπシリーズ総計は非公開ハイブリッド

バックボーンをGemma 3 4Bに、アクションエキスパートを約860Mに拡大し、豊富なメタデータ条件付けを加えた。

論文

バックボーンLLM: Gemma 3 4B
ビジョンエンコーダ: SigLIP 400M
アクションヘッド: flowエキスパート約860M + FASTトークン (KI) (ハイブリッド)
チャンク: 非公開
制御周期: 50 Hz
構造の原文要約: Gemma 3 4B VLM(図: SigLIP 400M + Gemma 4B) + 約860Mアクションエキスパート(バックボーンと同じ層数); KIでflow matching連続チャンクとFAST離散トークンを同時学習; 448×448画像を最大4枚

事前学習アクセラレータ: 非公開
事前学習期間: 非公開
事前学習ステップ・バッチ: 非公開
GPU・TPU時間: 非公開
ファインチューニング: 該当なし(タスク別ファインチューニングなしで評価)
データ種類: 実ロボットのテレオペレーション + Web視覚言語 + サブタスク予測データ
データ規模: カードに時間の記載なし; π*0.6論文は事前学習データを「デモ数万時間」と記述
主要データセット: π0.5の構成を継承(自社・外部のクロスエンボディメント、家庭用モバイル・非モバイル、Webマルチモーダル)
タスク・評価: 静的: シャツたたみ、洗濯物たたみ、箱組立、Table bussing; モバイル: 洗濯物拾い、ベッドメイキング、皿洗い、引き出しへの収納; 言語追従・新スキル汎化; 箱の完全組立20%; 指標は成功率・進捗度・時間あたり成功数
ロボット: 静的双腕 + モバイルマニピュレータ(ベースカメラ、手首カメラ最大2台、モバイル用後方カメラ)

強化学習: 不使用 · 教師あり学習(KI)。RLを適用した版はπ*0.6
ベース制御: 車輪型 (形式の記載なし) · モバイル双腕タスク(洗濯物かご・ベッドメイキング・食器をシンクへなど)を含む; ベース行動の形式はモデルカードに記載なし

主な特徴: バックボーンをGemma 3 4Bに、アクションエキスパートを約860Mに拡大し、豊富なメタデータ条件付けを加えた。タスク別ファインチューニングなしで洗濯物を安定して畳み、箱を20%の確率で完全に組み立てる。
備考: モデルカード(2025-11-17)の原文は'fold laundry reliably'。openpiには2026-08 HEADまでπ0.6チェックポイントなし。構成要素を合計した総数は出典にないため記載しない。
検証: 確認