VLA 图库 / 模型列表 / 2026年新增

π0.7

Physical Intelligence · 2026-04

VLA2026年新增约5Bflow matching

核心是在语言之外加入执行质量·速度·策略元数据与子目标图像的多样上下文条件化。

论文

π0.7: a Steerable Generalist Robotic Foundation Model with Emergent CapabilitiesarXiv 2604.15483

概述

分类

2026年新增

类型

VLA

发布

2026-04

机构

Physical Intelligence

权重公开

否

参数

约5B (Gemma3 4B + 动作专家860M；子目标世界模型BAGEL 14B另计)

架构

主干LLM

Gemma 3 4B

视觉编码器

SigLIP (Gemma 3)

动作头

flow专家860M (5步) (flow matching)

动作块

50 (执行15·25)

控制频率

未公开

架构原文摘要

Gemma3 4B VLM + 860M flow matching动作专家 + MEM式视频历史编码器;50步动作块,去噪步数5,执行15·25步;关节·末端执行器控制

训练

预训练加速器

未公开 (论文中无GPU/TPU相关语句)

预训练时长

未公开

预训练步数·批量

未公开

GPU·TPU-小时

未公开

微调

未公开

数据类型

真实机器人遥操作(多机型) + 自主采集(失败episode，π*0.6 RL数据) + 人类视频(第一人称) + 网络视觉-语言 + 开源机器人数据

数据规模

未公开 (时长·回合·混合比例)

主要数据集

自有多机型演示，π*0.6 RL数据，开源机器人数据集(含DROID，二手)

任务·评估

意式咖啡机、叠衣服、组装箱子、清理垃圾袋、削蔬菜皮、空气炸锅；无折叠数据的双臂UR5e叠T恤80%(二手)；意式咖啡与经RL微调的专用模型相当

机器人

多种平台（固定·移动，单臂·双臂），双臂UR5e

推理

推理设备·速度

训练中模拟0–12个时间步延迟(50 Hz机器人最多240 ms)；推理硬件未公开

推理显存

未公开

权重 bf16（计算）

10 GB

运行位置

未公开

强化学习与底盘

强化学习

部分 (利用RL数据) · 本身没有RL阶段。将π*0.6在RL训练中收集的数据作为额外示例用于蒸馏

强化学习依据

https://arxiv.org/html/2604.15483v2

底盘控制

轮式 (未说明格式) · 包含移动双臂（3 DoF全向底盘）评估（'driving through a door'）；动作经PD控制器施加，底盘动作格式未注明

备注

核心特点

核心是在语言之外加入执行质量·速度·策略元数据与子目标图像的多样上下文条件化。子目标图像由从BAGEL 14B初始化的世界模型生成。

备注

arXiv v1 2026-04-16，v2 2026-04-24。π博客因HTTP 403无法读取。未提及权重公开。关闭空气炸锅的训练回合仅2个(二手)。

核验

已确认