VLA 图库 / 模型列表 / π系列

Real-Time Chunking (추론시 RTC)

Physical Intelligence, UC Berkeley · 2025-06

기타π系列不适用flow matching

无需重新训练即可用于diffusion·flow VLA的推理技术，将下一个动作块按正在执行的动作进行inpainting，使推理延迟期间也能不间断执行。

论文

Real-Time Execution of Action Chunking Flow PoliciesarXiv 2506.07339

概述

分类

π系列

类型

기타

发布

2025-06

机构

Physical Intelligence, UC Berkeley

权重公开

否

参数

不适用(使用π0.5)

架构

主干LLM

Gemma 2B (应用于π0.5)

视觉编码器

SigLIP 400M (π0.5)

动作头

π0.5 flow专家 + inpainting动作块生成 (无需重新训练) (flow matching)

动作块

50步

控制频率

50 Hz

架构原文摘要

应用于π0.5(H=50，Δt=20 ms)；以已确定动作为条件通过inpainting生成下一个动作块(无需重新训练)

训练

预训练加速器

不适用

预训练时长

不适用

预训练步数·批量

不适用

GPU·TPU-小时

未公开

微调

未重新训练VLA。Kinetix仿真策略(4层MLP-Mixer，32个epoch)每环境H100×2约1.5 h，全部实验H100 8张以内

数据类型

不适用

数据规模

不适用

主要数据集

不适用

任务·评估

双臂6项任务(点蜡烛、插网线、整理床铺(移动)、叠衬衫、批量折叠、洗碗(移动))，每任务·方法10次，共480个episode·28 h；Kinetix 12项动态任务

机器人

双臂·移动双臂操作机器人(π0.5实机平台)

推理

推理设备·速度

RTX 4090, bf16, denoising 5步: 基线76 ms vs RTC 97 ms;π0 KV缓存prefill 46 ms

推理显存

未公开

权重 bf16（计算）

未公开

运行位置

本地PC

强化学习与底盘

强化学习

未使用 · 推理技术(无需重新训练)

底盘控制

轮式 (未说明格式) · 在π0.5移动双臂任务2种(Make bed·Dishes in sink)上应用RTC；是否含底盘速度论文未注明(以π0.5为准)

备注

核心特点

无需重新训练即可用于diffusion·flow VLA的推理技术，将下一个动作块按正在执行的动作进行inpainting，使推理延迟期间也能不间断执行。以双臂6项任务480回合、机器人执行28小时进行评估。

备注

是不改变训练的推理方法，故权重·数据项不适用。训练时RTC(2025-12)另行列出。

核验

已反映修正