π0 精读：一个会叠衣服的 33 亿参数模型，怎么把「生成动作」做成了工业级参考（对话版）

先讲清楚这篇要解决什么问题

小播：今天这期聊的是《π0: A Vision-Language-Action Flow Model for General Robot Control》，arXiv 编号 2410.24164，作者是 Physical Intelligence 公司的团队，里面有好几位我们熟悉的机器人学习大佬。我听说它是机器人领域的大事件，模型会自己叠衣服、收拾餐桌、装外卖盒，还能连续干二十分钟。它到底解决了什么问题，值得单独做一期？

老播：一句话背景：机器人在真实世界里干活，需要同时做到三件事——听懂语言和看懂没见过的东西（语义通用性）、从错误里恢复（鲁棒性）、高频精细地操作物体（灵巧性）。之前的方法在这三件事上各占一头：OpenVLA 这类 VLA 模型有语言和视觉先验，但把动作当成文字来生成，做不了高频灵巧操作；Diffusion Policy 这类动作扩散模型能生成连续动作，但模型小、没有互联网语义先验。π0 做的事，是把四样东西组合成一个完整框架：预训练好的视觉语言模型当骨干、一个 300M 参数的 action expert 用 flow matching 生成连续动作、约 1 万小时的跨本体数据、以及先预训练再微调的训练配方。今天这一期，我们把它的核心机制讲透：flow matching 动作头怎么接到 VLM 骨干上、那个专家混合设计到底在干嘛、跨本体数据怎么混，最后用四组实验的数字验证它的成色。它值得单独做一期，因为它是「flow 生成动作」这条路的工业级参考——后面 openpi、MeanFlow 系的一步流动作模型，都以它当起点。

小播：我听说它每秒能出 50 个动作指令，这个数字先记下。我们从哪开始？

老播：从它要解决的问题开始：动作为什么这么难生成。

先补背景：VLA 卡在哪，动作为什么难生成

小播：先给我把术语铺一下。VLA 是什么？flow matching 又是什么？

老播：VLA 是 vision-language-action model 的缩写，意思是把预训练好的视觉语言模型微调到输出机器人动作上。flow matching 是扩散模型的一个变体：扩散模型学的是「从噪声一步步去噪还原数据」，flow matching 学的是「把噪声直接搬到数据」的速度场，中间那条搬运路径可以自己设计，通常设计成直线，所以生成时几步就能走完。π0 里生成的是动作，不是图片。动作生成难在哪？先看前一代 VLA 的做法。

小播：前一代 VLA，比如 RT-2 和 OpenVLA，它们怎么输出动作？

老播：它们把动作量化成离散的数字，当成文字 token 一样，用语言模型的交叉熵损失训练，采样时逐个 token 生成。OpenVLA 是 7B 参数的模型，在 OXE 开源数据集上训练，是当时最主流的 VLA 基线。这套做法有两个结构性问题。第一，动作被离散化了，真实动作是连续的，连续分布还常常是多模态的——同一个场景可能有几种都算对的抓法，离散化会把这些可能性抹掉。第二，逐 token 生成做不了 action chunk，也就是没法一次输出未来一整段动作。灵巧操作恰恰需要提前规划一段动作，OpenVLA 自己也不支持 action chunk。论文里做了对比：OpenVLA 在叠衬衫、收桌子这类开箱任务上，得分基本贴着 0。

小播：那 Diffusion Policy、ACT 那条线呢？它们不是已经能生成连续动作了吗？

老播：能，但它们的问题在另一头。Diffusion Policy 用扩散模型生成动作，ACT 用动作 chunk 加 CVAE，都擅长从几十到几百条轨迹里学单个灵巧任务。它们没有 VLM 那种互联网规模的语言和视觉先验，认不出「没见过但语义上该放这儿」的物体，也不做跨本体预训练。而且它们的数据规模小：此前最灵巧的任务，训练数据通常只有 10 小时以内的演示，折算下来就是几十到几百条轨迹。π0 的观察是，通用机器人策略缺的单一组件已经有人做过了，缺的是把它们组合起来的框架，尤其是数据配方——该混什么数据、按什么权重、先训什么后训什么，没有人系统回答过。

小播：还有一个词，跨本体。cross-embodiment 是什么意思？

老播：意思是把不同机器人采集的数据混进同一个模型训练。不同机器人有不同数量的手臂、相机和自由度，动作空间从单臂的 7 维到移动双臂的 17 维。跨本体的价值在于数据池子变大：单任务数据不够，但把几十个任务、几种机器人的数据合在一起，模型能学到通用的操作语义，而不是某一个本体的肌肉记忆。π0 的数据是 7 种机器人构型、68 个任务，开源数据里还有 OXE、Bridge v2、DROID 这些别人的数据，都混进同一个预训练。 比例上，开源数据占混合的 9.1%，看起来不多，但它们的价值在覆盖度：预训练模型要认识「这个世界有什么」，单靠自家机器人数据是不够的，开源数据的物体和场景多样性补上了这一块。这也是跨本体思想的一部分——本体不只是机器人，还包括别人家机器人采的数据。

小播：还有个问题想先问清楚：为什么高频控制这么重要？50Hz 和以前的 5Hz 差在哪？

老播：差在动作的细腻程度。机器人抓取、折叠、放置这些操作，低速控制意味着两次指令之间机器人要盲走很长一段，碰到软物体、衣服这种形变对象，几毫秒的偏差就会让动作失败。50Hz 的意思是每 0.02 秒出一个新动作指令，动作轨迹连续平滑。前一代自回归 VLA 生成一个 token 就要一次采样，高频场景根本跑不动；这也是为什么 action chunk 和 flow 积分这种「一次算出一段」的设计在灵巧操作里是刚需。50 步动作块在 50Hz 本体上覆盖 1 秒，在 20Hz 的 UR5e、Franka 上覆盖 2.5 秒，机器人先把这一段执行完再重新推理。

小播：所以 π0 的回答是：VLM 先验加 flow matching 动作头加跨本体大数据，再加一个预训练/后训练的配方。

老播：对，这就是全篇主线。下面进核心思想，把三块机制逐个拆开。

核心思想：flow matching 动作头怎么接到 VLM 骨干上

小播：先说最关键的接口设计：一个生成文字和图像的 VLM，怎么让它输出连续动作？

老播：思路是给每个动作一步一个 token，但训练目标换成 flow matching。具体说，模型每次输出未来 H 步动作的动作块 A_t = [a_t, a_{t+1}, …, a_{t+H-1}]，论文取 H=50。输入序列里就放 50 个「动作 token」，每个 token 对应动作块里的一步。训练时，这 50 个 token 的训练目标换成回归损失：预测一个速度场，把「加了噪声的动作」沿直线拉回「真实动作」。在 transformer 里，动作 token 的嵌入也不查表，直接过一个 MLP：把这一步的动作向量 a 和 flow 时间 τ 的正弦编码 φ(τ) 拼在一起，过两层带 swish 激活的全连接，再投影到 transformer 宽度。时间信息从这里进入模型，网络才知道当前噪声程度。

小播：这个速度场怎么定义？把公式讲一下，我先听预期再听符号。

老播：好，预期是：下面这条损失衡量的是——给定观测，网络预测的搬运速度，和把噪声动作直线搬回真实动作所需要的速度，差多远。训练时一步前向就是一次普通回归，全程不用模拟采样过程，这是 flow matching 相比扩散训练的最大便利。噪声动作的定义是线性插值：

A_τ = τ · A_t + (1 − τ) · ε，其中 ε 采样自标准高斯分布 N(0, I)。

逐项解释：A_t 是未来 50 步的真实动作；ε 是标准高斯噪声；τ 是 flow 时间，取 0 到 1；τ=0 时 A_0 是纯噪声，τ=1 时 A_1 回到真实动作。这个式子的意思是：噪声动作是「真实动作和噪声的线性混合」，时间从 0 走到 1，就是从纯噪声平滑过渡到真实动作。注意这种线性插值路径也叫最优传输路径，它的好处是每个「噪声-动作」对的轨迹是直线，网络回归的目标方向恒定，10 步积分就能走完；扩散模型的路径是弯曲的，往往要几十上百步。

小播：那损失函数呢？

老播：条件 flow matching 损失写成：

L_τ(θ) = E[ ‖ v_θ(A_τ; o_t) − u(A_τ | A_t) ‖² ]。

逐项解释：θ 是网络参数，v_θ(A_τ; o_t) 是网络在观测 o_t 下对噪声动作 A_τ 预测的速度场；u(A_τ | A_t) = A_t − ε 是条件速度，就是「把 A_τ 沿直线拉向 A_t」这个方向上需要的瞬时速度；期望对数据集里的观测-动作对和随机采样的 τ 取。网络学的就是把噪声动作沿直线拉向真实动作的速度场。整块 50 步动作的分布就这样被建模出来，而且不需要任何动作离散化。

小播：这个目标确实简单。那训练时 τ 怎么取？图像生成里好像有讲究。

老播：有，而且 π0 在这里做了一个和图像生成相反的设计。图像生成的经验是从中间时间步多采样，比如 Stable Diffusion 3 用 logit-normal 分布偏重中间，因为低噪声端只要学会恒等映射、高噪声端只要学会均值，中间才是信息量最大的地方。π0 认为动作预测不同：给定机器人观测后，E[A_t|o_t]——观测条件下的平均动作——本身就很难学，因为观测对动作的约束比文本标签对图像的约束强得多。所以他们用偏态 Beta 分布采样：p(τ) = Beta((s−τ)/s; 1.5, 1)，s=0.999。这个分布把采样火力集中在高噪声端，也就是低 τ 那边，而且 τ 超过 0.999 的完全不采。顺带，s=0.999 还意味着积分步长可以大于 0.1，最多能到 1000 步，给推理步数留了调节空间。

小播：推理的时候呢？从噪声开始怎么得到动作？

老播：推理时从标准高斯采样 A_0，然后做 10 步前向 Euler 积分：A_{τ+δ} = A_τ + δ·v_θ(A_τ; o_t)，步长 δ=0.1。10 步之后得到一整块 50 步动作，开环执行。这里有个反直觉的工程结论：论文试过 temporal ensembling——把多次推理的动作加权平均，这是 ACT 的做法——发现反而让策略变差，最后放弃，直接开环执行整块动作。50 步动作块在 20Hz 的 UR5e 和 Franka 上覆盖 2.5 秒，在 50Hz 的其它本体上覆盖 1 秒。 这里可以给一个具体的感觉：如果某一步动作的真实值是 0.5，初始噪声是 0.1，τ 从 0 走到 1 的过程里，噪声动作会从 0.1 平滑走到 0.5，10 步 Euler 每步走十分之一段，方向始终由条件速度 u = A_t − ε 指过去。因为路径是直线，方向不拐弯，10 步就足够；换成扩散那种弯曲路径，同样的精度往往要几十上百步。这也是 flow matching 相比扩散在实机上的直接好处——步数少，推理快。

核心思想：那个 300M 的 action expert，到底在干嘛

小播：接下来是那个 300M 参数的 action expert。为什么不能直接在 PaliGemma 上微调，非要单独加一套权重？

老播：先看模型本体。骨干是 PaliGemma，3B 参数的开源 VLM，图像编码器加 Gemma 2B 语言模型，权重继承互联网预训练。图像 token 和语言 token 走这套骨干。机器人状态 q_t 和 50 个动作 token 走另外一套 300M 的 action expert，宽度 1024、MLP 4096，从零初始化。两套权重在同一个 transformer 里，只在 self-attention 层交互。这个设计和混合专家 MoE 同构：两个专家，按 token 类型路由，区别是这里没有门控网络，路由规则是写死的——图像语言进大专家，机器人专用 token 进小专家。

小播：这么做的好处是什么？

老播：两个。第一，推理速度：flow 积分要跑 10 步，每步都是一次 transformer 前向。如果每步都过 3B 骨干，50Hz 控制想都别想。动作分支只有 300M，10 次前向每次只过小网络。实测在 RTX 4090 上，图像编码 14 毫秒、观测前向 32 毫秒、10 步动作前向 27 毫秒，onboard 总推理约 73 毫秒，offboard 带 Wi-Fi 86 毫秒。对照一下控制周期：50Hz 本体每 0.5 秒推理一次，推理只占周期的 4% 左右。第二，训练稳定性：机器人专用 token 的训练信号和语言图像不同，直接更新全部权重会把 VLM 骨干推离 PaliGemma 学到的表示；单独一套权重把更新隔离在 300M 的小专家里，作者消融发现这个设计带来稳定提升。

小播：这套「一套权重给语言图像、另一套给动作」的架构，之前有没有先例？

老播：有，血缘很清楚。Transfusion 先在单一 transformer 里混合两种训练目标：离散 token 用交叉熵、连续 token 用 flow 损失；MARS 和 Playground v3 更进一步，给扩散部分单独分配一套权重。π0 的增量是把这两样搬进机器人控制：它自称是第一个「flow matching VLA」，也就是第一个用 flow 生成高频动作块的视觉语言动作模型。接口设计上最容易被忽略的一点是注意力 mask：序列分三块，块间因果、块内双向——第一块图像加语言只能看自己，第二块状态 q_t 能看第一块，第三块 50 个噪声动作 token 能看前面全部。块内双向意味着 50 个动作 token 互相注意，输出整块动作时内部协调一致，比如夹爪要不要配合手腕一起动。状态单独成块有工程原因：它在 10 步 flow 积分里一直不变，单独成块后它的 key/value 只算一次并缓存，每步积分只重算动作 token 后缀的注意力。这就是 KV cache 推理，是 50Hz 能跑起来的关键。 还有一层细节值得说：两套专家不是完全隔离的，它们只在 self-attention 层交互。也就是说，动作 token 的 query 会去注意图像和语言 token 的 key、value，反之亦然，但每个 token 的线性变换用的权重属于各自的专家。这样的好处是语义信息能流进动作生成，而动作分支的更新不会污染图像语言表示，两者的分工和交互各取所需。

核心思想：1 万小时跨本体数据，怎么混出来

小播：数据侧的数字很吓人：7 种机器人构型、68 个任务、约 1 万小时。不同机器人动作空间都不一样，怎么塞进一个模型？

老播：统一动作空间。7 种构型里，UR5e 单臂是 7 维配置空间，Franka 是 8 维，双 Trossen 是 14 维，移动 Fibocom 配置 14 维、动作 17 维。π0 的解法是把所有配置向量和动作向量 zero-pad 到 18 维——这个数字正好容纳双臂 6-DoF 乘 2、两个夹爪、移动底盘、升降躯干。图像槽同理：相机数量从 2 张到 3 张不等，不足 3 张的把缺失槽 mask 掉。数据混合按 timestep 计：开源数据占 9.1%，包括 OXE 的 Magic Soup 子集、Bridge v2、DROID，这些数据低频（2 到 10Hz）、一到两个相机，但物体和场景极其多样；自采数据 903M timesteps，其中单臂 106M、双臂 797M，覆盖 68 个任务。每个任务-本体组合按 n 的 0.43 次方降权，把叠衣这种被过度采样的任务压下去。

小播：为什么预训练要用「质量参差」的数据？直接全用高质量演示不是更好？

老播：论文的核心配方假设就在这：预训练数据要多样性，后训练数据要高质量。多样但质量参差的数据教模型「从错误里恢复」——模型见过大量失败和纠正过程，出了岔子知道怎么救回来；高质量数据教「熟练和流畅」——动作干净利落。只训高质量数据，得到的策略一旦偏离轨迹就崩；只训预训练数据，动作不熟练。预训练阶段跑 700k 步，产出能直接提示调用的基础模型；后训练用任务数据微调，最简单的任务约 5 小时数据，最复杂的要 100 小时以上。这个「先预训练、再微调」的配方，正是从大语言模型训练里搬过来的，论文把它当作和架构同等重要的贡献。

关键实验：四组结果，逐个看数字

小播：数字部分来了。第一组是开箱评测，直接提示基础模型干活，不给微调。结果怎么样？

老播：Figure 7 那张图：5 个任务——叠衬衫、收拾桌子简单版、收拾桌子困难版、杂货装袋、从烤面包机取吐司。每任务 10 条 episode，按归一化任务进度打分，0 到 1，部分成功也给分数。 具体 rubric：收拾桌子简单版按 7 个物体计分，困难版按 12 个物体计分，每个放对位置的物体得 1 分；杂货装袋按 7 件商品计分；取吐司按 4 步计分；叠衬衫只有成功或失败两种结果。困难版比简单版多了一些刁钻摆法，比如筷子压在垃圾上、物体互相遮挡，还有预训练数据里没见过的物体——这些才是拉开差距的地方。

全量 π0 训练 700k 步，五个任务得分约为 1.00、0.97、0.88、0.79、0.75。为了公平，论文训了一个训练步数跟 baseline 对齐的 parity 版，只有 160k 步，得分仍有 0.90、0.81、0.50、0.34、0.40——照样赢过所有 baseline。同数据训练的 OpenVLA（7B）和 Octo（93M）基本贴地，约 0 到 0.05；OpenVLA 只训 UR5e 数据的版本好一些，但也就收拾桌子简单版到约 0.34。还有个细节：π0-small，470M 参数、没有 VLM 初始化，得分 0.50、0.44、0.34、0.27、约 0，也赢过 OpenVLA 和 Octo。这一组得出两个结论：优势大部分来自架构加数据加初始化，因为步数对齐的 parity 版照样全面胜出；flow 动作表示和 action chunk 本身贡献巨大，因为连没有 VLM 的 π0-small 都能赢。

小播：第二组，语言指令跟随。VLM 先验在这里应该最有用吧？

老播：对，Figure 9。对比 π0 和 π0-small 的语言跟随准确率：bussing 任务约 0.94 对 0.70，table setting 约 0.90 对 0.31，杂货装袋约 0.70 对 0.31。差距在需要语义理解的任务上尤其大。更值得记住的是高层指令的价值：table setting 任务里，直接一句「把桌子摆好」（flat）π0 只有约 0.38；专家分步下指令（human）升到约 0.72；由另一个 VLM 策略给出的中间指令（HL）约 0.84。HL 的原理是：让一个高层 VLM 看着当前画面，输出「下一步该拿起哪个物体、放到哪里」这样的短指令，π0 负责执行。意思是语言跟随能力直接转化为任务成功率，而且高层 VLM 可以当规划器用，把「收拾桌子」拆成「把餐巾纸放进垃圾桶」这样的子步骤。

小播：第三组，微调数据量。这是我最关心的：预训练到底值多少钱？

老播：Figure 11，6 个下游任务——叠碗、叠毛巾、微波炉放保鲜盒、换纸巾筒、Franka 抽屉放东西，外加一个所有任务的平均面板——微调数据分 1、5、10 小时三档。看「所有任务平均」：预训练 π0 是约 0.57、0.87、0.87；π0 scratch（从头训）是约 0.38、0.79、0.76；最强的 prior 方法，论文指出是纯 scratch 训练的 ACT、Diffusion Policy 这类，约 0.20、0.33、0.39。注意 1 小时这一档，预训练 π0 0.57，比 scratch 的 0.38 高出近一半，比 prior 的 0.20 高出近两倍——数据越少，预训练收益越大。分任务看，跟预训练数据相似的任务（叠碗、叠毛巾）提升可达约 2 倍，预训练里完全没有的新任务（换纸巾、Franka 抽屉）提升就小。微波炉那个任务还有个有意思的现象：π0 用 1 小时数据就明显好过 baseline，但训到 5 小时反而跟 baseline 拉平，论文把它归因于任务与预训练数据的相似度。 单任务面板还能读出更多：叠碗任务里，预训练 π0 在 1 小时数据下就接近满分的两倍于 scratch 版，是「预训练相似任务收益最大」的例证；换纸巾筒这种完全没见过的任务，预训练 π0 依然好于 scratch 和 prior，但差距小很多。论文给出的概括是：预训练在相似任务上带来最大提升，但对新任务也有正迁移，只是幅度小。

这组实验同时解释了为什么 π0 是「flow 生成动作」的工业级参考：预训练给了它一个起点，微调只需要把起点拉向任务。

小播：第四组，最难的复杂多阶段任务，5 到 20 分钟那种。

老播：Figure 12 和 13。七个任务：叠衣、移动叠衣、烘干机取衣、收拾餐桌、装纸箱、to-go 外卖盒、打包鸡蛋。 评分也是分段式的：叠衣满分 4 分，从篮子里取出一件得 1 分、摊平得 1 分、折叠得 1 分、放进叠好的堆里得 1 分；装纸箱满分 5 分；to-go 外卖盒满分 5 分；打包鸡蛋满分 7 分，每颗蛋进槽得 1 分。这样部分成功也能量化，比如叠了一半拿 2 分。

这些任务要求几十个行为的组合——抓取、叠、堆、压平——还有变形物体和硬纸板这类难处理的对象。预训练加微调的 π0 在全部七个任务上超过最大分的一半：约 0.83、0.93、0.72、0.88、0.64、0.70、0.84。对比两个消融：只预训练开箱版，在预训练里没有的任务上——装纸箱、to-go 盒、打包鸡蛋——得分接近 0.01，微调之后被大幅拉起；scratch 版多数任务明显更低，最难的收拾餐桌（12 个物体、还有没见过的物体）是 0.88 对 0.71 对开箱的 0.48。这组实验把配方的价值和边界都展示出来了：预训练教恢复和多样，后训练教熟练；但预训练外任务的「通用性」要靠微调兑现，开箱直接可用只发生在预训练覆盖过的任务上。还要补一个数字：推理时延。RTX 4090 上 onboard 约 73 毫秒，图像编码 14 毫秒、观测前向 32 毫秒、10 步动作前向 27 毫秒；offboard 带网络 86 毫秒。对照 50Hz 控制周期 0.5 秒，推理只占 4% 左右，这个数字决定了「flow 生成动作」能不能上实机。

它在技术谱系里的位置

小播：把它放回技术谱系，它跟谁比、好在哪、差在哪？

老播：三组对比。对 RT-2、OpenVLA 这代自回归 VLA，π0 用 flow matching 输出连续动作、支持 50 步动作块、最高 50Hz 控制；开箱任务上 OpenVLA 接近 0，而步数对齐的 parity 版还有 0.34 到 0.90，这说明自回归离散化是高频灵巧任务的主要瓶颈。对 Diffusion Policy、ACT 这代动作扩散方法，π0 在它们之上叠加了 VLM 语义先验和跨本体预训练；微调实验里，纯 scratch 的 ACT、DP 依然是除 π0 外最强的方法，但 1 小时数据下被预训练 π0 大幅拉开。再往上是架构血缘：Transfusion 先在单一 transformer 里混合交叉熵和逐元素 flow 损失，MARS 和 Playground v3 做了「语言一套权重、扩散另一套权重」，π0 把这两样搬进机器人控制，并第一次接在 VLM 骨干上。

小播：那它和 MeanFlow 那条线是什么关系？清单里提到它俩连着。

老播：关系是起点和后续。MeanFlow 系的目标是让 flow 模型一步走完——直接从噪声映射到数据，省掉 10 步积分；π0 证明了在动作空间里 flow 这套框架能跑通、能上实机，但它的 10 步 Euler 积分、Beta 采样、动作头接口，正是 MeanFlow 系要压缩和接管的起点。用一句话概括，π0 是「flow 生成动作」的工业级参考：flow 动作头怎么接 VLM、专家混合怎么路由、KV cache 怎么省、Beta 采样为什么偏噪声端，这些设计细节都被后续 openpi 的 π0.5 系和 MeanFlow 系的一步流动作模型当成出发点。它处在那条从「多步扩散」到「一步流」的技术路线上，位置在中间靠前。 具体到开源生态，π0 论文本身没有放代码和权重，但 2025 年 10 月发布的 openpi 项目（π0.5 系列）把这条架构路线开源了，社区因此能在自己的机器人上复现「VLM 骨干加 flow 动作头」的组合。MeanFlow 这条线则代表另一个方向：把 10 步积分换成一步映射，用 rectified flow 的 reflow 或蒸馏把轨迹拉直，目标是把动作生成的延迟从几十毫秒再压一个量级。读这篇论文时带着这两条后续线，会更容易看清哪些设计是地基、哪些设计是可以替换的零件。

局限要讲清楚

小播：论文自己承认的局限，加上你读出来的，都说说。

老播：先论文自承四条。第一，预训练数据「该混什么、按什么权重」没有系统理解，n 的 0.43 次方降权是启发式，作者是把当时能拿到的数据全混了。第二，没法预测某个任务需要多少、什么类型的数据才能接近完美，部分任务评测里并不稳定。第三，跨域正迁移没验证——自动驾驶、导航、腿足运动这些更远的领域能不能共享这套预训练，论文没有证据。第四，复杂任务的绝对分数随难度和预训练覆盖度变化，个别任务仍有明显失败模式，作者建议看官网视频感受任务复杂度。

小播：你读出来的呢？

老播：四条。第一，baseline 对比有不对称性：OpenVLA 训练步数少、不支持 action chunk，Octo 只有 93M 参数；论文用 parity 版缓解，但 π0-small 和 π0 的对比仍然混杂了模型规模与 VLM 初始化两个变量，作者自己也承认这个对比很难做得公平。第二，开箱通用性有限：预训练外任务开箱接近 0，「通用」更准确的说法是「预训练覆盖度加微调可达性」。第三，Figure 13 里打包鸡蛋这个任务，scratch 和微调版接近，预训练收益在不同任务上差异很大，论文「全配方最好」的表述要按任务拆开看。第四，评测每任务 10 条 episode、分数是人工设计的 rubric、没有显著性检验，而且代码和权重没有开源，1 万小时数据和 700k 步训练让外部复现门槛极高，这也是它和 openpi 后续开源版本口碑差异的来源之一。 还有一个容易被忽略的点：论文评估里「开箱」指预训练后直接提示，但预训练数据本身是按任务采样的，68 个任务覆盖了什么，模型才擅长什么；把「开箱可用」理解成「任意新任务都能零样本搞定」会高估它，论文自己也没有这样宣称。

收尾：记住这三件事

小播：收个尾。本期记住的三件事，我用我的话复述一遍。第一，π0 把动作生成从「离散 token 的自回归」换成了「连续动作的 flow matching 回归」：50 步动作块、10 步 Euler 积分、50Hz 控制，这套接口设计让它既保住了 VLM 的语义先验，又拿到了连续多模态的动作分布。第二，那个 300M 的 action expert 是工程灵魂：两套权重一个 transformer，只在 self-attention 交互，机器人专用 token 的更新被隔离在小网络里，10 步 flow 积分每步只过小网络，KV cache 复用前缀，才把推理压到 73 毫秒、占到控制周期的 4%。第三，1 万小时跨本体数据的配方：zero-pad 到 18 维统一动作空间、按 n 的 0.43 次方降权、预训练教恢复、后训练教熟练，四组实验里最扎眼的数字是 1 小时微调数据下预训练 π0 的 0.57 对 prior 的 0.20。

老播：补一句它对后续工作的意义。π0 的价值在于把「flow 生成动作」从论文变成了能上实机的工业级参考：flow 动作头怎么接 VLM、专家混合怎么路由、KV cache 怎么省、Beta 采样为什么偏噪声端，这些设计细节都被后续 openpi 和 MeanFlow 系的一步流动作模型当成起点。下一个值得追问的问题是：10 步积分能不能压到 1 步，以及预训练覆盖度之外的任务，能不能靠更聪明的数据配方直接开箱可用。