π*0.6 (RECAP)

Physical Intelligence · 2025-11

VLAπ系列总计未公开；策略 = π0.6混合

将演示·自主rollout·专家纠正通过优势条件离线RL(RECAP)迭代学习。

论文

主干LLM: Gemma 3 4B
视觉编码器: SigLIP 400M
动作头: π0.6动作专家 + 价值函数 (670M主干) (混合)
动作块: 未公开
控制频率: 50 Hz
架构原文摘要: π0.6策略(Gemma 3 4B + 860M flow动作专家，关节·夹爪50 Hz) + Gemma 3初始化670M主干分布式价值函数(201 bins)；'Advantage: positive/negative'文本条件

预训练加速器: 未公开
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（价值函数训练·RECAP迭代算力均未公开）
数据类型: 真实机器人遥操作演示 + 自主rollout + 遥操作纠正
数据规模: 预训练演示数万小时；每轮迭代例：洗衣300条轨迹(机器人4台)、多样洗衣评估450·纠正287、失败剔除自主约1000·纠正280+378(机器人3台)、箱子演示600·纠正360、意式咖啡纠正429·自主414
主要数据集: PI预训练混合(π0.5方案) + 按任务RECAP采集数据
任务·评估: 洗衣（T恤·短裤，200 s），多样洗衣11种（500 s），排除失败（橙色T恤，200 s），浓缩咖啡（200 s），组装纸箱（600 s）；多样洗衣以外成功率 90%+；浓缩咖啡连续13小时，新家庭洗衣2小时以上不间断
机器人: 静态双臂(6-DoF臂2个，平行夹爪，相机3台，50 Hz关节控制)

强化学习: 使用 (VLA RL后训练) · RECAP: 以离线RL预训练后,用演示·自主rollout·人工纠正数据训练价值函数(670M),并以优势为条件反复改进策略
强化学习依据: https://arxiv.org/html/2511.14759v1
底盘控制: 固定 · 无底盘控制（静态双臂，关节位置 50 Hz）

核心特点: 将演示·自主rollout·专家纠正通过优势条件离线RL(RECAP)迭代学习。将困难任务的每小时成功次数提高到2倍以上，失败率降低约一半。
备注: 各阶段算力均未公开。吞吐量2倍以上以多种洗衣·浓缩咖啡任务为准。纸箱为实际工厂包装用而组装。
核验: 已确认