基于diffusion
π0
架构
其核心思想是在预训练好的视觉语言模型（VLM）基础上添加一个"动作专家"（action expert），通过流匹配（flow matching）的方式生成连续的高频控制指令。整个架构可以概括为：
- 预训练VLM Backbone
利用 PaliGemma 等大规模预训练的 VLM，将图像和文本信息嵌入统一的表示空间，继承了互联网规模的语义知识和视觉信息提取能力。
- 跨机器人平台数据
论文中使用了来自 7 种不同机器人配置、68 个任务的大规模数据（总计约 10,000 小时），实现跨平台、跨任务的联合训练，从而提升模型的泛化能力。
- 动作生成 via Flow Matching
针对连续动作生成的挑战，论文采用了一种基于扩散思想的流匹配方法（flow matching），使得模型能够生成高频（例如 50Hz）且精细的动作序列。与传统 autoregressive 离散生成方法相比，流匹配可以更好地处理连续控制信号和复杂动作分布。
- 混合专家（Mixture of Experts）设计
模型内部将输入分为两大部分：一部分（图像和文本）走 VLM backbone；另一部分（机器人状态和动作）通过专门设计的"动作专家"处理，这种设计有助于更好地融合预训练知识和机器人特定的控制需求。
训练流程：预训练 + 后训练
类似大语言模型的训练流程，π0 模型的训练分为两个阶段：
-
预训练阶段：利用海量、但可能质量参差不齐的多任务、多平台数据，使模型具备广泛的基础能力和恢复错误的能力。
-
后训练（微调）阶段：使用高质量、任务特定的数据对模型进行微调，从而获得更高效、流畅和鲁棒的动作执行策略。后训练阶段能够显著提升模型在复杂、多阶段任务（如叠衣服、组装盒子等）上的表现。
添加链接描述\](https://zhuanlan.zhihu.com/p/19518316721) 这篇博客讲的更详细一些，输入输出， # 其他 π0.5 hi Robot