π0.7

Physical Intelligence · 2026-04

VLA2026年の新モデル約5Bflow matching

言語に実行品質・速度・戦略のメタデータとサブゴール画像を加えた多様なコンテキスト条件付けが核心である。

論文

バックボーンLLM: Gemma 3 4B
ビジョンエンコーダ: SigLIP (Gemma 3)
アクションヘッド: flowエキスパート860M (5ステップ) (flow matching)
チャンク: 50 (15・25実行)
制御周期: 非公開
構造の原文要約: Gemma3 4B VLM + 860M フローマッチング・アクションエキスパート + MEM式動画履歴エンコーダ; 50ステップのチャンク、デノイジング5ステップ、15・25ステップ実行; 関節・エンドエフェクタ制御

事前学習アクセラレータ: 非公開 (論文にGPU/TPUの記述なし)
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: 非公開
データ種類: 実ロボットのテレオペレーション(多機種) + 自律収集(失敗エピソード、π*0.6 RLデータ) + 人の動画(一人称) + Web視覚言語 + オープンソースロボットデータ
データ規模: 非公開 (時間・エピソード・混合比率)
主要データセット: 独自の多機種デモ、π*0.6 RLデータ、オープンソースロボットデータセット(DROIDを含む、二次情報)
タスク・評価: エスプレッソマシン、洗濯物たたみ、箱の組み立て、ゴミ袋の除去、野菜の皮むき、エアフライヤー; たたみデータのない双腕UR5eでTシャツたたみ80%(二次情報); エスプレッソはRLファインチューニングした専門モデルと同等
ロボット: 多数のプラットフォーム(固定・移動、単腕・双腕)、双腕UR5e

強化学習: 一部 (RLデータの活用) · 独自のRL段階はない。π*0.6がRL学習中に集めたデータを追加例として使い蒸留
強化学習の根拠: https://arxiv.org/html/2604.15483v2
ベース制御: 車輪型 (形式の記載なし) · モバイル双腕(3 DoF全方向ベース)の評価を含む('driving through a door'); 行動はPD制御器で適用、ベース行動の形式は記載なし

主な特徴: 言語に実行品質・速度・戦略のメタデータとサブゴール画像を加えた多様なコンテキスト条件付けが核心である。サブゴール画像はBAGEL 14Bから初期化した世界モデルが生成する。
備考: arXiv v1 2026-04-16、v2 2026-04-24。πブログはHTTP 403で読めず。重み公開への言及なし。エアフライヤーを閉じる学習エピソードは2個のみ(二次情報)。
検証: 確認