π₀ 论文精读：通用机器人控制的视觉-语言-动作流模型

1. 论文概述#

论文名称：《π₀: A Vision-Language-Action Flow Model for General Robot Control》

作者：Kevin Black、Noah Brown、Danny Driess、Adnan Esmail、Michael Equi、Chelsea Finn、Niccolo Fusai、Lachy Groom、Karol Hausman、Brian Ichter、Szymon Jakubczak、Tim Jones、Liyiming Ke、Sergey Levine、Adrian Li-Bell、Mohith Mothukuri、Suraj Nair、Karl Pertsch、Lucy Xiaoyang Shi、James Tanner、Quan Vuong、Anna Walling、Haohuan Wang、Ury Zhilinsky

机构：Physical Intelligence

会议 / 期刊：RSS 2025（arXiv 预印本 2410.24164）

论文链接：arXiv ↗

代码链接：Physical-Intelligence/openpi ↗

项目主页：Physical Intelligence π₀ ↗

一句话总结#

【Paper】 本文提出 π₀，把预训练的 PaliGemma VLM 作为语义底座，通过一个 300M 参数的 action expert 输出连续动作，并使用 flow matching 建模动作分布；模型在 10000+ 小时、7 种机器人配置、68 个任务的跨形态数据上预训练后，可以直接提示使用、接收高层语言指令，也可以微调到洗衣折叠、装箱、叠碗等灵巧任务。

核心贡献#

【Paper】

1. 提出一种基于预训练 VLM 的 flow matching VLA 架构，VLM 部分约 3B 参数，action expert 约 300M 参数，总计约 3.3B 参数，支持最高 50 Hz 的连续动作输出。
2. 设计跨形态预训练配方：使用自有灵巧操作数据与 OXE 等开源数据混合，state/action 统一补齐到 18 维，缺失相机位用 mask 处理。
3. 验证 pre-training / post-training 的两阶段训练：预训练提供广泛能力，高质量微调数据提供流畅、稳健的任务执行。
4. 在 out-of-box 直接评估、语言指令跟随、新灵巧任务微调、复杂多阶段任务四类实验中展示超越 OpenVLA、Octo、ACT、Diffusion Policy 等方法的实际效果。

2. 背景与相关工作#

【Paper】 传统 VLA 路线通常把视觉语言模型微调成动作生成模型，例如 RT-2、OpenVLA、TinyVLA。它们常用自回归离散化把动作当作文本 token 生成。这种方式能复用 VLM 的语言语义，但在高频、高精度、多模态动作分布上受限，尤其是需要动作 chunking 的灵巧操作。

另一条路线是 Diffusion Policy、Scaling Diffusion Policy 等基于扩散或 flow 的动作生成模型。它们适合连续动作和复杂分布，但通常没有预训练 VLM 底座，语言与视觉语义能力有限。π₀ 的核心组合是把两者接起来：用预训练 VLM 保留 Internet-scale 语义知识，用 flow matching 处理高频连续动作。

在架构层面，π₀ 受 Transfusion 启发：同一个 transformer 里，离散 token 用交叉熵、连续 token 用 diffusion/flow loss。但 Transfusion 使用同一组权重；π₀ 把机器人 state/action token 路由到独立的 action expert，类似混合专家中一个专用于机器人输入的权重组。这个设计既减少与 VLM 预训练输入的分布偏移，也让动作推理可以复用缓存、只更新 action 部分。

本文还强调机器人基础模型的训练 recipe 本身是贡献之一。作者认为，只训练高质量微调数据会缺少错误恢复能力；只训练大规模、低质量预训练数据又不够流畅。因此 π₀ 采用类似 LLM 的 pre-training / post-training 流程。

3. 问题定义#

【Paper】 π₀ 建模的是条件分布：

$$p(\mathbf A_t \mid \mathbf o_t)$$

其中：

• $\mathbf A_t = [\mathbf a_t, \mathbf a_{t+1}, \dots, \mathbf a_{t+H-1}]$ 是未来 $H$ 步的 action chunk，论文主实验使用 $H = 50$。
• $\mathbf o_t = [\mathbf I^1_t, \dots, \mathbf I^n_t, \ell_t, \mathbf q_t]$ 是当前观测，包括多张 RGB 图、语言指令和机器人关节状态。
• 每个机器人的相机数量通常是 2 或 3 张；预训练时统一保留最多 3 个图像槽，缺失槽用 mask 屏蔽。
• 不同机器人的 state/action 维度不同，统一补零到最大维度 18，以容纳两个 6-DoF 手臂、两个夹爪、移动底盘和垂直躯干。

预训练覆盖的机器人#

平台	相机数	配置 / 动作维度	形态
UR5e	2	7 / 7	单臂 + 夹爪
Bimanual UR5e	3	14 / 14	双臂
Franka	2	8 / 8	单臂 + 夹爪
Bimanual Trossen	3	14 / 14	双臂，ALOHA 风格
Bimanual ARX / AgileX	3	14 / 14	双臂
Mobile Trossen / ARX	3	14 / 16	双臂 + 非完整移动底盘
Mobile Fibocom	3	14 / 17	双臂 + 完整移动底盘

【Paper】 这里“任务”不是简单的“名词 + 动词”组合。例如 bussing 任务包含大量不同餐具、杯子和垃圾的识别与放置，实际行为空间远比 68 个任务计数更广。

4. 方法#

4.1 Overall Architecture#

π₀ 的主体是 PaliGemma 风格的 decoder-only transformer。图像和语言输入走预训练 VLM 权重，机器人 state 和 noisy action token 走独立的 action expert。整体 token 序列可以看成三块：图像 + 语言 prompt、单一 state token、$H$ 个 action token。

【Paper】 数据流可以压缩成一句：图像和语言先由 PaliGemma 编码为 prefix，state 与当前 noisy action 经过 action expert 编码后，transformer 输出 action token 的 vector field 预测；训练和推理的完整循环分别在 4.4 与 4.5。

关键架构参数：

• PaliGemma / Gemma 2B backbone：width 2048、depth 18、mlp dim 16384、18 个 head、1 个 KV head、head dim 256。
• Action expert：width 1024、mlp dim 4096，约 300M 参数，从零初始化。
• Attention mask：三块 blockwise mask，图像 + 语言、state、action。块内双向，action 块可以 attend 到之前所有输入；图像语言块不能 attend 到新增机器人 token，以减小对 VLM 预训练表示的偏移。
• state token 独立成块，因为它不会在 flow 采样的多个 forward pass 中变化，便于缓存 keys/values。

4.2 核心模块#

Vision Encoder#

• 输入：每台机器人的 2 到 3 张 RGB 图。
• 输出：与语言 token 同空间的图像 patch embedding。
• 功能：把视觉观测转成 transformer 输入。
• 为什么需要：机器人需要理解场景中的物体、空间关系和当前状态。

【Code】 openpi 中 PaliGemma 图像编码器由 src/openpi/models/siglip.py 中的 SigLIP So400m/14 实现，输入统一 resize 到 224x224。论文正文把这一部分描述为 PaliGemma 的视觉编码器，未展开具体 variant。

Language Backbone#

• 输入：语言指令 token、图像 embedding。
• 输出：VLM prefix 的隐状态与 KV cache。
• 功能：提供物体识别、语义推理、指令跟随能力。
• 为什么需要：这是 π₀ 区别于从零训练策略模型的核心，VLM 预训练贡献了互联网级语义先验。

State Projection#

• 输入：机器人关节角度 / 配置向量 $\mathbf q_t$。
• 输出：action expert 宽度的单个 token。
• 功能：把本体感受状态编码进 transformer。
• 为什么需要：模型需要知道自己当前的位置，才能把动作定义为相对或绝对变化。

Action Embedding and Time MLP#

• 输入：noisy action chunk $\mathbf A_t^\tau$ 和 flow timestep $\tau$。
• 输出：$H$ 个 action expert token。
• 功能：把动作值和噪声程度同时映射到模型空间。
• 实现方式：先线性投影 action，再用正弦位置编码编码 $\tau$，两者拼接后经过带 Swish 的两层 MLP。
• 为什么需要：flow matching 的每一步都必须让模型知道当前去噪进度，否则无法估计正确 vector field。

Action Expert#

• 输入：state token 与 $H$ 个 action token。
• 输出：经过 transformer 融合后的 action 隐状态。
• 功能：专门处理机器人 state/action 相关 token。
• 为什么需要：机器人输入没有出现在 VLM 预训练分布里；独立权重让模型在保留 VLM 表示的同时学习跨形态动作规律。

Action Output Projection#

• 输入：action expert 输出的 $H$ 个 token。
• 输出：与 action 同维的 vector field $\mathbf v_\theta$。
• 功能：把隐状态映射回动作维度，用于 flow matching 训练和采样。

4.3 关键公式#

Flow Matching Loss#

【Paper】目标分布是 $p(\mathbf A_t \mid \mathbf o_t)$，使用简单线性高斯概率路径：

$$q(\mathbf A_t^\tau \mid \mathbf A_t) = \mathcal{N}(\tau \mathbf A_t, (1 - \tau) \mathbf I)$$

训练时采样噪声 $\epsilon \sim \mathcal{N}(\mathbf 0, \mathbf I)$，构造：

$$\mathbf A_t^\tau = \tau \mathbf A_t + (1 - \tau) \epsilon$$

网络学习目标 vector field：

$$\mathbf u(\mathbf A_t^\tau \mid \mathbf A_t) = \mathbf A_t - \epsilon$$

总损失为：

$$\mathcal L^\tau(\theta) = \mathbb E_{p(\mathbf A_t \mid \mathbf o_t), q(\mathbf A_t^\tau \mid \mathbf A_t)} \left\lVert \mathbf v_\theta(\mathbf A_t^\tau, \mathbf o_t) - \mathbf u(\mathbf A_t^\tau \mid \mathbf A_t) \right\rVert^2$$

其中 $\tau \in [0, 1]$ 是 flow timestep，$\mathbf v_\theta$ 是模型输出的 vector field，$\mathbf u$ 是从 action 到噪声方向的目标速度。

Timestep Sampling#

【Paper】作者没有用均匀分布，而是采用 shifted beta 分布：

$$p(\tau) = \text{Beta}\left(\frac{s - \tau}{s}; 1.5, 1\right), \quad s = 0.999$$

这个分布更强调低 timestep，即更接近噪声的样本。作者认为机器人观测已经高度约束动作分布，预测均值动作并不像图像生成里“根据文本预测均值”那么容易；因此让模型更多训练在噪声较大的区域更有价值。

Euler Integration#

推理时从噪声开始积分：

$$\mathbf A_t^{\tau + \delta} = \mathbf A_t^\tau + \delta \mathbf v_\theta(\mathbf A_t^\tau, \mathbf o_t)$$

论文主实验使用 10 个 Euler step，即 $\delta = 0.1$。

4.4 Training#

【Paper】 π₀ 使用两阶段训练：

• Pre-training：在自有灵巧操作数据与开源数据混合的大规模语料上训练 base model。自有数据约 903M timesteps，其中单臂 106M、双臂 797M；开源部分包括 OXE、Bridge v2、DROID，占整体 mixture 的 9.1%。
• Post-training：使用任务特定、质量更高、策略更一致的数据微调，让模型从“会做但不够流畅”变成“熟练执行”。最简单任务只需要约 5 小时数据，最复杂任务使用 100 小时以上。
• 数据加权：对每个 task-robot 组合按 $n^{0.43}$ 加权，压低过采样组合的权重。
• 语言标注：预训练时同时使用 task name 与约 2 秒一段的 segment annotations。
• Loss：flow matching MSE。
• Timestep：从 shifted beta 分布采样。

论文正文没有完整给出预训练阶段的 optimizer、学习率、batch size 等超参数；这些信息在当前 openpi 代码中以示例配置形式提供，见 4.6。

输入:

预训练 / 微调数据 $D$、action horizon $H$、timestep cutoff $s$

输出:

训练后的 flow matching 策略 $\mathbf v_\theta(\mathbf A_t^\tau, \mathbf o_t)$

1. Given 数据 $D$、action horizon $H$、timestep cutoff $s$
2. 初始化 PaliGemma VLM backbone 与 action expert
3. for 迭代训练
4. 采样观测 $\mathbf o_t$ 与动作 chunk $\mathbf A_t$

5. 采样噪声 $\epsilon \sim \mathcal{N}(0, I)$ 与 timestep $\tau \sim p(\tau)$

6. 构造 noisy action $\mathbf A_t^\tau = \tau \mathbf A_t + (1 - \tau) \epsilon$

7. 前向计算 $\mathbf v_\theta(\mathbf A_t^\tau, \mathbf o_t)$

8. 计算 flow matching MSE，目标 $\mathbf u = \mathbf A_t - \epsilon$

9. 反向传播并更新参数
10. end for
11. return 训练完成的策略

4.5 Inference#

【Paper】 推理时：

1. 先编码一次图像、语言、state 等 prefix，并缓存其 keys/values。
2. 初始化 action chunk 为高斯噪声。
3. 重复 10 次 Euler step，每次只对 action token 做 forward pass，prefix KV 复用。
4. 得到完整 action chunk 后，以 open-loop 方式执行。

作者明确说曾经尝试 temporal ensembling，但发现会伤害策略性能，因此没有对多个 action chunk 做指数加权平均，而是直接执行整段 chunk。

不同机器人的推理频率：

• 20 Hz 的 UR5e / Franka：每 0.8 秒推理一次，执行 16 个动作。
• 50 Hz 的其他机器人：每 0.5 秒推理一次，执行 25 个动作。

RTX 4090 上三相机配置的耗时如下：

阶段	耗时
Image encoders	14 ms
Observation forward pass	32 ms
10 次 action forward pass	27 ms
板载总推理	73 ms
离板 + 网络延迟	86 ms

输入:

当前观测 $\mathbf o_t$、积分步数 $N=10$

输出:

动作 chunk $\mathbf A_t$，交给低层控制器执行

1. 编码图像、语言、state，缓存 prefix KV
2. 初始化 $\mathbf A_t^0 \sim \mathcal{N}(0, I)$，设置 $\delta = 1 / N$
3. for $\tau = 0, \delta, \dots, 1 - \delta$
4. 前向计算 $\mathbf v_\theta(\mathbf A_t^\tau, \mathbf o_t)$
5. $\mathbf A_t^{\tau+\delta} = \mathbf A_t^\tau + \delta \mathbf v_\theta(\mathbf A_t^\tau, \mathbf o_t)$
6. end for
7. return $\mathbf A_t$，按 open-loop action chunk 执行

4.6 代码实现对照#

【Code】 官方代码仓库为 Physical-Intelligence/openpi。当前仓库同时包含 π₀、π₀-FAST 与 π₀.₅，本精读只对照论文对应的 π₀ 实现。

核心文件：

• 模型：src/openpi/models/pi0.py（JAX / Flax NNX）
• 配置：src/openpi/models/pi0_config.py
• PyTorch 模型：src/openpi/models_pytorch/pi0_pytorch.py
• 数据变换：src/openpi/transforms.py
• 训练入口：scripts/train.py
• 训练配置：src/openpi/training/config.py

模型配置：

• Pi0Config 默认 paligemma_variant='gemma_2b'、action_expert_variant='gemma_300m'。
• 默认 action_dim=32、action_horizon=50、max_token_len=48。
• 模型固定预留 base_0_rgb、left_wrist_0_rgb、right_wrist_0_rgb 三个图像槽，输入统一为 224x224；缺少相机时填充黑图并设置 image_mask=False。

Flow matching：

• Pi0.compute_loss 中采样 time = beta(1.5, 1) * 0.999 + 0.001，构造 x_t = time * noise + (1 - time) * actions，目标 u_t = noise - actions，loss 是 MSE。
• 代码注释明确说明其 timestep 约定与论文相反：代码里 t=1 是噪声、t=0 是目标动作；论文里 $\tau=0$ 是噪声、$\tau=1$ 是动作。采样分布本身仍是强调高噪声区域的 shifted beta。
• sample_actions 默认 num_steps=10，使用 dt = -1 / num_steps 从噪声积分回动作；第一次对 prefix 建立 KV cache，之后只 forward action suffix。

数据管线：

• ResizeImages(224, 224)、TokenizePrompt、PadStatesAndActions(model_config.action_dim) 是通用模型变换。
• Normalize 使用数据集的 mean/std 归一化；π₀.₅ 等后续模型改用 quantile normalization。
• ALOHA 配置默认把关节绝对动作转换为相对第一个 state 的 delta action，夹爪维度保持绝对值；推理输出时再用 AbsoluteActions 恢复。
• 当前 openpi 的 pi0_aloha 使用 action_horizon=50，而 pi0_droid 使用 action_horizon=10，说明开源实现会根据平台调整 chunk 长度。

训练与推理入口：

• scripts/train.py 使用 TrainConfig，默认 batch_size=32、num_train_steps=30000。
• 默认 optimizer 是 AdamW：b1=0.9、b2=0.95、weight_decay=1e-10、gradient norm clip 1.0。
• 默认 LR 是 cosine schedule：1000 步 warmup、peak 2.5e-5、decay 到 2.5e-6。
• 默认 EMA decay 0.99；LoRA 微调配置会关闭 EMA。
• 官方 base checkpoint 路径为 gs://openpi-assets/checkpoints/pi0_base/params，README 描述为 10000+ 小时机器人数据上预训练。

【Analysis】 需要区分论文原始训练配方与 openpi 当前示例配置。上面这些 LR、batch size、EMA 数值来自当前开源示例，并不代表论文正文原样公布的预训练超参数；论文本身没有给出完整优化细节。

5. 实验#

5.1 Experimental Setup#

【Paper】 实验全部在真实机器人上完成，每个任务平均 10 次 trial，按 rubric 给分：完整成功为 1.0，部分完成给分数。

Out-of-box 对比：

• OpenVLA：7B VLA，在相同 mixture 上训练；原架构不支持 action chunking 与高频控制。
• Octo：93M 扩散策略，支持动作生成但不具备大 VLM 语义底座。
• π₀-small：470M 参数、无 VLM 初始化的消融模型。
• Compute parity π₀：只训练 160k steps，和基线步数对齐；完整 π₀ 训练 700k steps。

5.2 Main Results#

【Paper】 Out-of-box 评估直接在预训练 base model 上完成，不经过任何下游微调。五个任务是 shirt folding、bussing easy、bussing hard、grocery bagging、toast out of toaster。

结果特征：

• 完整 π₀ 在所有任务上远超基线，shirt folding 与 bussing easy 接近满分。
• 只训练 160k steps 的 parity π₀ 仍优于所有基线。
• π₀-small 也超过 OpenVLA 和 Octo，说明 flow matching + action expert 架构本身有优势。
• OpenVLA 的主要短板是自回归离散动作不支持高频 action chunk；Octo 的短板是容量和语义能力不足。

语言指令实验使用 bussing、table setting、grocery bagging 三个任务，比较 flat、human 中间指令和 VLM 高层指令。【Paper】 π₀ 的语言跟随能力显著强于 π₀-small；当高层 VLM 或人类提供中间指令时，π₀ 能把这些指令转化为更好的任务表现，而 π₀-small 受限于语言能力，提升有限。

5.3 Ablation Study#

【Paper】新灵巧任务微调实验包括 stack bowls、towel folding、Tupperware in microwave、paper towel replacement、Franka items in drawer。对比对象包括 OpenVLA、Octo、ACT、Diffusion Policy，以及 π₀ from scratch / π₀ from pretrained。

【Paper】关键结论：

• π₀ 在多数新任务上优于其他方法；较强基线反而是完全在目标任务上训练的 ACT 与 Diffusion Policy。
• 在 Tupperware 任务上，5 小时数据的 π₀ 与基线接近，但 1 小时数据的 π₀ 显著更好，说明预训练在小数据条件下更有价值。
• 对与预训练任务相似的任务，预训练带来的提升更大；预训练模型有时比 from scratch 模型好约 2 倍。

【Analysis】 这不是严格的单变量架构消融。π₀ 与 π₀-small 同时改变参数量、VLM 初始化、图像编码器和 action expert 结构；作者自己也承认很难做到完全公平。因此“VLM 初始化有效”的结论是实验证据支持的趋势，而不是唯一变量下的因果证明。

5.4 Generalization#

【Paper】最后一组实验覆盖长时间、多阶段任务，包括 laundry folding、mobile laundry、dryer unloading、table bussing、box building、to-go box、packing eggs。部分任务在预训练数据中存在，部分完全未出现。

【Paper】完整 “pre-training + fine-tuning” 配方在全部任务上整体最好，并且在最难任务上的优势最明显。表 bussing 需要识别未见过的杂乱物体，box building 需要利用桌面和双臂协同完成折叠与按压，packing eggs 需要处理光滑、形状不对称的鸡蛋并双臂关盒。这些任务说明预训练不只是帮助简单场景，而是对复杂、多阶段、需要恢复策略的任务有实质价值。

6. 方法分析#

6.1 为什么有效？#

【Analysis】 可以从四个层面理解 π₀ 为什么有效：

1. 语义底座：PaliGemma 的互联网预训练提供了物体识别、指令跟随和场景常识，这是从零训练策略模型很难获得的能力。
2. 专用 action expert：机器人 state/action 不是 VLM 原生分布；独立专家让新输入不污染 VLM 表示，同时保留 transformer attention 的跨模态融合。
3. Flow matching：连续动作不需要离散化，能表示多模态、精细和高频动作；10 步 Euler 也足够快。
4. 大规模跨形态预训练：不同机器人、不同任务的数据让模型见过更广的物体、状态和恢复轨迹，微调时不容易在错误状态上崩溃。

6.2 核心创新#

【Analysis】 严格说，VLM、flow matching、action chunking、pre-training 都不是论文首次提出。π₀ 的创新在于把它们组合成一个可实际运行的系统：

• 首次在 VLA 中以独立 action expert + flow matching 输出高频连续动作。
• 把 Transfusion 的“离散/连续混合训练”迁移到机器人领域，并加入机器人专用的第二组权重。
• 设计 blockwise causal attention，使 prefix 可缓存、action 可高效迭代采样。
• 把 pre-training / post-training 类比从 LLM 搬到机器人，验证了大规模预训练 + 高质量微调的 recipe。

6.3 与已有方法的本质区别#

方法	动作表示	语义底座	主要区别
OpenVLA	自回归离散 token	预训练 VLM	动作需要离散化，难支持高频大 chunk
Octo	diffusion	无大 VLM	容量较小，语义能力有限
Diffusion Policy	diffusion	无 VLM	适合灵巧操作，但通用语义弱
ACT	CVAE + chunk	无 VLM	依赖小数据集，跨任务泛化有限
π₀	flow matching	PaliGemma	大 VLM + 独立 action expert + 大规模跨形态预训练

6.4 关键假设#

【Analysis】 π₀ 的设计隐含几个假设：

• 预训练 VLM 的语义知识可以迁移到真实机器人控制。
• 统一的 18 维 state/action padding 不会显著破坏不同形态的表示。
• Open-loop action chunk 已足够，不需要在线 temporal ensembling 或高频闭环重规划。
• 高层语言指令可以由人类或另一个 VLM 提供，并且低层策略能可靠跟随。
• 大规模机器人数据带来的多样性收益大于任务间负迁移。

7. 局限性#

7.1 作者明确提出的局限#

【Paper】

1. 对预训练数据应如何组合与加权仍缺乏系统理解；论文是把当时可用的数据全部混合。
2. 并非所有任务都稳定可靠，如何预测某个任务需要多少、什么类型的数据仍是开放问题。
3. 跨形态正迁移能否延伸到自动驾驶、导航、腿足运动等差异更大的领域尚不清楚。

7.2 自己分析得到的局限#

【Analysis】

1. 实验主要在内部真实机器人上完成，每任务 10 次 trial 且缺少统一公开基准，复现和横向比较成本较高。
2. 论文没有完整公开预训练数据、数据过滤规则和全部训练超参数；openpi 提供的是可运行的实现和部分 checkpoint，但不等于完整复现论文。
3. Open-loop action chunk 在长时间任务中依赖预训练带来的恢复能力；对于需要紧密反馈或动态避障的场景，是否足够仍是问题。
4. π₀ 与 π₀-small 的对比混杂了参数量、初始化、架构差异，不能只归因于 VLM 预训练。
5. 当前 openpi 还包含 π₀-FAST、π₀.₅ 等后续工作，用户使用仓库时容易混淆哪个配置对应论文里的原始 π₀。

8. 启发与研究思考#

【Analysis】 π₀ 带来的最大启示不是“把 VLM 接到机器人”这个方向，而是机器人基础模型可能需要同时解决三个问题：数据规模、架构的模态隔离、以及 pre/post training recipe。

1. Action expert 是一种可复用的模态接入方式。新增传感器、状态维度或动作空间时，不一定要修改 VLM 权重；用独立的、小规模专家接入可以更快迭代。
2. Flow matching 很适合高频连续控制。它在动作分布表达力和推理速度之间取得平衡；未来可以继续研究更少 step、更强先验的采样器。
3. 预训练数据应该包含“不太好的数据”。高质量数据教熟练动作，多样但低质量的数据教错误恢复；两者缺一会让策略变脆或变慢。
4. 语言可以是规划接口。π₀ 不是自己完成复杂规划，而是接收高层 VLM 拆出的中间指令；这种低层灵巧 + 高层语义的组合可能是近期更务实的系统结构。
5. Open-loop chunk 不等于不需要闭环。π₀ 的经验说明，足够好的预训练可以让一个长 chunk 也能工作；但研究仍应关注观测反馈何时必须进入控制回路。