π0.7

Physical Intelligence · 2026-04

VLA2026 신규약 5Bflow matching

언어에 실행 품질·속도·전략 메타데이터와 하위목표 이미지를 더한 다양한 맥락 조건화가 핵심이다.

논문

백본 LLM: Gemma 3 4B
비전 인코더: SigLIP (Gemma 3)
액션 헤드: flow 전문가 860M (5스텝) (flow matching)
청크: 50 (15·25 실행)
제어 주기: 미공개
구조 원문 요약: Gemma3 4B VLM + 860M 플로 매칭 액션 전문가 + MEM식 영상 이력 인코더; 50스텝 청크, 디노이징 5스텝, 15·25스텝 실행; 관절·엔드이펙터 제어

사전학습 가속기: 미공개 (논문에 GPU/TPU 문장 없음)
사전학습 기간: 미공개
사전학습 스텝·배치: 미공개
GPU·TPU-시간: 미공개
파인튜닝: 미공개
데이터 종류: 실로봇 텔레옵(다기종) + 자율 수집(실패 에피소드, π*0.6 RL 데이터) + 사람 영상(1인칭) + 웹 비전-언어 + 오픈소스 로봇 데이터
데이터 규모: 미공개 (시간·에피소드·혼합 비율)
주요 데이터셋: 자체 다기종 시연, π*0.6 RL 데이터, 오픈소스 로봇 데이터셋(DROID 포함, 2차)
태스크·평가: 에스프레소 머신, 빨래 개기, 상자 조립, 쓰레기봉투 제거, 채소 껍질 벗기기, 에어프라이어; 폴딩 데이터 없는 양팔 UR5e 티셔츠 개기 80%(2차); 에스프레소는 RL 파인튜닝 전문 모델과 동등
로봇: 다수 플랫폼(고정·이동, 단일 팔·양팔), 양팔 UR5e

강화학습: 일부 (RL 데이터 활용) · 자체 RL 단계는 없음. π*0.6이 RL 학습 중 모은 데이터를 추가 예시로 써서 증류
강화학습 근거: https://arxiv.org/html/2604.15483v2
베이스 제어: 바퀴형 (형식 미기재) · 모바일 양팔(3 DoF 전방향 베이스) 평가 포함('driving through a door'); 행동은 PD 제어기로 적용, 베이스 행동 형식 미기재

핵심 특징: 언어에 실행 품질·속도·전략 메타데이터와 하위목표 이미지를 더한 다양한 맥락 조건화가 핵심이다. 하위목표 이미지는 BAGEL 14B에서 초기화한 세계모델이 만든다.
비고: arXiv v1 2026-04-16, v2 2026-04-24. π 블로그는 HTTP 403으로 읽지 못함. 가중치 공개 언급 없음. 에어프라이어 닫기 학습 에피소드는 2개뿐(2차).
검증: 확인