π0.5
一种视觉-语言-动作（VLA）模型，将大型预训练语言/视觉模型与机器人动作预测端对端结合，用于机器人操作策略评估与泛化研究。
时间轴 (近 90 天)
Backtrack 在 LIBERO 和 MetaWorld 基准上进行了评估，涵盖 SmolVLA、π0.5 和 π0-FAST 三种 VLA 模型。
流匹配动作专家（如 π0.5）将动作生成建模为从噪声到动作的连续变换过程，通过迭代去噪产生平滑动作序列，适合高维连续控制；自回归方法（如 π0-FAST）将动作离散化为 token 逐 token 预测。
REKI 在 LIBERO-Plus 基准上取得 90.4% 的成绩，超过 Qwen-RobotManip（89.0%）和 π0.5（85.7%）。
REKI 在单块 H100 上以 torch.compile 编译、BF16 精度、两路 256x256 RGB 输入，产出完整动作块仅需 21.8 毫秒，比 π0.5（33.8 ms）快 35.5%。
Actor Labs 的挖掘机实验将 Physical Intelligence 的 π0.5 部署至挖掘机，结合工业操作员的大规模真实数据训练策略，仅用 200 条轨迹完成了一项任务，暴露出纯数据驱动路线数据效率极低且多任务能力受限的缺点。
研究团队在 OpenVLA-OFT 和 π0.5 两个视觉-语言-动作（VLA）模型上进行测试，覆盖 LIBERO-Spatial 与 LIBERO-Plus 两个基准环境
全部知识事实 (4)
流匹配动作专家（如 π0.5）将动作生成建模为从噪声到动作的连续变换过程，通过迭代去噪产生平滑动作序列，适合高维连续控制；自回归方法（如 π0-FAST）将动作离散化为 token 逐 token 预测。
50%待验证Actor Labs 的挖掘机实验将 Physical Intelligence 的 π0.5 部署至挖掘机，结合工业操作员的大规模真实数据训练策略，仅用 200 条轨迹完成了一项任务，暴露出纯数据驱动路线数据效率极低且多任务能力受限的缺点。
50%待验证研究团队在 OpenVLA-OFT 和 π0.5 两个视觉-语言-动作（VLA）模型上进行测试，覆盖 LIBERO-Spatial 与 LIBERO-Plus 两个基准环境
50%待验证Backtrack 在 LIBERO 和 MetaWorld 基准上进行了评估，涵盖 SmolVLA、π0.5 和 π0-FAST 三种 VLA 模型。
50%