企业官网建设流程全解析

引言

大家好，我是桃花键神。

2024 年 10 月，Physical Intelligence 发布了 π0（pi-zero），论文题目是《π0: A Vision-Language-Action Flow Model for General Robot Control》（arXiv:2410.24164，后来收录进 RSS 2025）。2025 年 2 月，团队用 Apache 2.0 协议开源了权重和代码（openpi 仓库）。

π0 要解决的问题特别具体：预训练 VLM 擅长理解图像和语言，但它的输出方式是离散 token 自回归，而机器人要的是高频、连续、平滑的动作。怎么把一个只会"吐 token"的模型，改造成能"吐动作"的控制器？

打个比方。VLM 像个只会写书面报告的参谋，一板一眼往外蹦词儿。可机器人要的是个能连续做动作的老师傅，手上不能停。这俩怎么捏到一块儿？

本文就顺着这条主线拆：动作专家（action expert）架构、流匹配（flow matching）生成方式、训练策略，然后是实验结论，最后聊它对启元机器人开发实践的启发。文中参数都标了论文或官方仓库出处，对得上号。

1. 研究背景：离散 token 化动作的天花板

1.1 自回归离散动作的局限

RT-2、OpenVLA 这些早期 VLA 模型的做法是：把每个动作维度离散化成 token，用 next-token prediction 一个一个往外蹦。这条路工程上能跑，但有两个硬约束：

• 频率不够。动态灵巧任务要大约 50 Hz 的控制频率，逐 token 生成的吞吐撑不住。
• 精度损失。连续动作被强行量化成离散 token，高频动作的细微变化直接被抹平了。

一个直观的例子。模型能正确"认出这是一件衬衫"，但未必能把它叠好。叠衣服要的是精细、高速的动作，用低频离散 token 表示，等于把细节全丢了。

这就像用马赛克画质去描工笔画，轮廓能对上，笔锋全没了。

1.2 数据依然稀缺

跟同期工作一样，π0 面对的还是真机数据贵、跨本体数据难统一的老问题。π0 的解法很直接：不做从零训练的小模型，而是继承互联网规模的语义知识，再用跨本体机器人数据训出"物理动作"能力。

说白了，语义这块白捡现成的，动作这块自己补。

2. 核心方法：VLM 骨干 + 动作专家 + 流匹配

2.1 VLM 骨干：PaliGemma 3B

π0 基于 Google 的 PaliGemma（3B 参数）视觉-语言模型构建，用它处理摄像头图像观测和自然语言任务指令，继承互联网规模的语义知识。

这里有个点容易被忽略，骨干并不是冻结的。论文从 PaliGemma 初始化后，在机器人数据混合上继续训练。唯一的训练损失是作用于动作输出的流匹配损失，没有文本损失，骨干只通过从动作 token 回传的梯度被更新。

有意思吧？没有文本损失，等于告诉骨干："你不用再学说话了，把手上的活儿干好就行。"

2.2 动作专家：一组独立权重

图注：π0 动作专家：18 层 Transformer、宽度 1024、MLP 4096，10 步流匹配去噪后一次输出 50 步动作块

π0 采用"动作专家"（action expert）设计，可以理解为一种混合专家（mixture-of-experts）风格的结构：

• VLM 专家：由预训练 PaliGemma 权重初始化，管视觉与文本 token。
• 动作专家：随机初始化、从零训练，专门处理本体感知状态（如关节角）与动作 token。

论文给的规模是：动作专家约 300M 参数（18 层，宽度 1024，MLP 4096，约 311M 参数），叠加 PaliGemma 后模型总量约 3.3B 参数。

那问题来了，动作专家凭什么比骨干小这么多？

答案在计算量。一次决策里，骨干只跑 1 次，动作专家要随去噪迭代跑大约 10 次。论文给的开销对比是：一次欧拉步约 2.7 ms，而一次观测前向传播约 32 ms。

这么一算就明白了。骨干跑一次 32 ms，动作专家跑十次才 27 ms。把动作专家做小，不是偷工减料，是实时性的必要权衡。

2.3 流匹配：从噪声中"积分"出动作

π0 不在动作上做离散 token 化，而是用流匹配（flow matching）生成连续动作块：

• 学一个向量场，把噪声逐步"推"向目标动作分布；
• 推理时用欧拉积分（Euler integration）迭代约 10 步去噪；
• 一次输出H=50 步的 action chunk，对应 50 Hz 下 1 秒的运动。

这个思路打个比方。离散 token 像走楼梯，一步一个台阶，台阶之间没法停；流匹配像滑滑梯，从顶上（噪声）一路滑到底（目标动作），中间每一寸位置都是连续的。

一次性输出一段动作而不是单步动作，好处有两个：摊薄了推理延迟，轨迹也更平滑连贯。

2.4 信息流动：分块因果注意力掩码

两个专家之间的信息流，由分块因果注意力掩码（block-wise causal attention mask）控制：

• VLM 块只关注自身；
• 本体感知块关注自身与 VLM；
• 动作块关注所有其他块。

架构与数据流示意：

配图说明：上图为 π0 的双专家数据流。VLM 骨干负责语义理解且每次决策只前向一次；动作专家接收骨干输出，通过 10 步流匹配去噪，一次性产出 50 步连续动作块，在 50 Hz 控制下对应 1 秒运动。

π0 与离散 token 类 VLA 的关键差异：

3. 训练策略：先广后精的两阶段

π0 用的是类似大语言模型的训练配方：先大规模跨本体预训练，再针对具体任务做后训练（微调）。

这路子大家应该熟。就像先读万卷书打底子，再针对一个岗位集中练技能。

3.1 预训练数据

图注：π0 预训练覆盖：7 种机器人配置、68 个任务、10,000+ 小时真机数据，统一映射到同一个动作空间

论文披露的训练数据规模：

• 约10,000 小时灵巧操作数据，约903M 时间步；
• 覆盖7 种不同机器人配置（含单臂 UR5e / Franka、双臂 Bimanual UR5e / Trossen / Arx、移动操作 Mobile Trossen / Fibocom 等），共68 个任务；
• 混合开源数据：Open X-Embodiment（Bridge v2、DROID 等），约占训练时间步的9.1%；
• 任务从简单物体搬移，到叠衣服、清理餐桌、组装纸箱、装袋、准备咖啡这类多步长程任务。

10,000 小时是什么概念？一个人不吃不喝干一整年，也就八千多小时。这个量级，靠个人开发者自己采基本没戏，所以复用开源权重才是正解。

3.2 后训练（微调）

好家伙，这才是重点。论文及团队披露：微调到一个新任务，通常1 至 20 小时的演示数据就能拿到可用效果。

这个量级对个人开发者和小团队来说，是真的有现实意义。它意味着定制一个专属 Skill，不必从零采集上万小时数据。从 10,000 小时到 1–20 小时，差了三个数量级，这就是预训练的价值。

4. 实验设计与关键结论

4.1 主要结论

图注：读“成功率”的四个步骤：任务定义 → N 次试验 → 统计口径 → 同口径对比基线

• 基准对比：在论文设定的 5 项基准任务上，π0 优于此前的通用机器人模型（包括 OpenVLA、Octo）。
• 零样本与微调双能力：既能不经微调直接按提示执行任务，也能在复杂长程任务上通过微调达到强性能。
• 长程任务：可完成持续数十分钟的任务，如清理摆有陌生物体的桌面。
• 推理开销：完整 π0（3B）约需 1 张 H100；单个动作块（50 步）推理延迟约 50–200 ms。

4.2 π0-FAST 与 π0.5

• π0-FAST：自回归变体，用 FAST（Frequency-space Action Sequence Tokenization）把连续动作序列经离散余弦变换（DCT）压缩成离散 token 后自回归预测。训练速度约快 5 倍，在叠衣服、清理桌面、装袋等任务上与 π0 性能相当，代价是推理时的自回归解码更慢。
• π0.5（arXiv:2504.16054，2025.04）：面向开放世界泛化，目标是在与训练环境差异较大的场景（如未见过的房间）中仍然有效。

4.3 客观看待局限

这块不能光说好话，几条边界得摆出来：

• 论文中的对比结论来自作者自评，评测环境与任务集由作者设定，跨论文横向比较要谨慎。
• 完整模型推理需约 1 张 H100 级 GPU，对个人开发者的硬件门槛不低。
• 10,000 小时级别的数据规模，是团队自建采集体系的结果，普通开发者难以复现预训练阶段，但可以复用其开源权重做微调。

所以，把 π0 看成**"VLM + 连续动作头"这一架构范式的工程验证**，比把它看成一份性能榜单要准确得多。榜单会过期，范式不会。

5. 对启元机器人开发实践的启发

5.1 动作块（action chunk）与控制接口的衔接方式

π0 一次输出 50 步动作块而不是单步动作，这个设计对二开的直接影响是：策略层与执行层应当解耦。

在基于「PrimeBot SDK」（Q1 SDK v0.1.2.7，ROS2 Humble + FastDDS）开发时，可以参考这个分层：策略节点以较低频率发布一段轨迹（action chunk），由底层控制节点按控制周期插值执行。

这样做的好处有两个：能容忍策略推理的抖动与延迟，也避免了把大模型推理直接放进实时控制回路。

启元「PrimeConsole」提供的"在虚拟环境中模拟全身关节运动、提前验证轨迹与控制逻辑"的能力，正好可以用来做这类轨迹的先期验证。先仿真跑通，再上真机，省下的是真机摔跤的成本。

5.2 微调数据量级：Skill 定制的现实参考

π0 披露的"1–20 小时演示数据可微调一个新任务"，对启元 Skill 开发者是个很有价值的量级参考。

启元在 AtomGit 上开源的 Skill 示例（如carry-clothes家务搬运技能，基于 PrimeBot SDK / ROS2 Humble；weather_forecast、didi_taxi_agent等语音交互技能），展示了单技能的实现结构。

要在此基础上做场景定制，可以参考 π0 的思路：先复用预训练的动作先验，再用有限的目标场景演示数据做校准，而不是为每种新场景重新采集完整数据集。

其实这就是个投入产出比的问题。你是为了换一个场景，重采一万小时数据，还是采二十小时做微调？答案不言自明。

5.3 开源协议与数据格式的可借鉴之处

openpi 以 Apache 2.0 开源，包含 π0 与 π0-FAST 权重、微调配置示例、推理代码，以及面向 ALOHA、DROID 等平台的 checkpoint。

它的价值不只在权重，更在于提供了一套可参考的机器人数据组织规范（观测、动作、状态怎么封装）。

对启元生态的开发者来说，在设计自己的数据采集与 Skill 数据结构时，参考这类已经形成共识的组织方式，后续复用社区工具链和预训练成果会顺畅很多。再结合启元已开源的 URDF 描述包（q1-urdfQ1 V3.0、t1-urdfT1 V3.0），就能比较完整地对齐"结构描述—数据采集—策略训练"这条链路。

附：流匹配去噪的最小可运行示例

下面的片段用 NumPy 演示流匹配推理的核心逻辑——从噪声出发，按学习到的向量场做若干步欧拉积分，得到目标动作块。可独立运行，用来理解 π0 动作生成的基本原理（非官方实现，仅为原理示意）。

# flow_matching_demo.py # 环境：Python 3.9+ / NumPy >= 1.23 # 说明：演示 flow matching 的欧拉积分解码过程（原理示意，非 π0 官方实现） import numpy as np def euler_sample(vector_field_fn, shape, steps=10, seed=0): """ 从标准正态噪声出发，用欧拉积分沿向量场去噪，返回生成结果。 vector_field_fn(x, t) -> 速度场，t ∈ [0, 1] """ rng = np.random.default_rng(seed) x = rng.standard_normal(shape).astype(np.float32) # t=0: 纯噪声 dt = 1.0 / steps for i in range(steps): t = i * dt v = vector_field_fn(x, t) x = x + v * dt # 欧拉步 return x if __name__ == "__main__": # 构造一个指向固定目标动作块的简单向量场（真实场景由网络预测） target = np.zeros((50, 14), dtype=np.float32) # 50 步 × 14 维动作 target[:, 0] = np.linspace(0.0, 1.0, 50) # 一段平滑轨迹 vf = lambda x, t: (target - x) / max(1e-3, 1.0 - t) # 直线路径的速度场 action_chunk = euler_sample(vf, shape=(50, 14), steps=10) print("action chunk shape:", action_chunk.shape) # (50, 14) print("首步动作:", np.round(action_chunk[0, :3], 4)) print("末步动作:", np.round(action_chunk[-1, :3], 4))

代码说明：steps=10对应 π0 推理时的欧拉积分步数；输出(50, 14)对应 H=50 步的动作块。真实部署中vector_field_fn由动作专家网络预测，此处用解析向量场替代以便独立运行验证。

跑一遍就能看到：从一堆随机噪声出发，十步之后收敛到一段平滑轨迹。流匹配的原理，就是这样。

6. 小结

π0 的核心贡献可以概括为三项：

1. 架构上，用"VLM 骨干 + 独立动作专家"的双专家结构，在不破坏预训练语义能力的前提下加入连续动作生成能力；
2. 生成方式上，用流匹配替代离散 token 自回归，支持 50 Hz 级别的连续动作块输出；
3. 训练配方上，用"大规模跨本体预训练 + 小规模高质量微调"的两阶段策略，把定制一个新技能的数据门槛压到 1–20 小时量级。

跟 GR00T N1 的显式双系统（10 Hz VLM + 120 Hz DiT）相比，π0 更像是"单骨干 + 专用动作头"的紧耦合方案。两者共同验证了一件事：机器人基础模型的关键不在参数规模，而在如何让语义理解与连续控制各自以合适的频率、合适的表示方式协同工作。

最后哔哔。我读下来最大的感受是：π0 最聪明的不是模型多大，而是它把"语义"和"动作"这两件频率完全不同的事，干净地拆给了两个专家去干。

一句话结论：别再纠结 VLA 模型该多大，先想清楚语义和动作该以什么频率、什么表示方式各干各的。

相关资源（指路）

• 论文：π0: A Vision-Language-Action Flow Model for General Robot Control（arXiv:2410.24164，Physical Intelligence，2024.10 / RSS 2025）
• 后续工作：π0-FAST（FAST tokenization）；π0.5（arXiv:2504.16054，2025.04）
• 代码与权重：openpi（GitHub，Apache 2.0，2025.02 开源）
• 启元机器人开发者社区：启元机器人开发者社区 · 一站式具身智能研发平台
• 启元开源项目：PRIMEBOT - 开源代码托管,代码协作 - AtomGit