全世界都在说超越了 PI，可他三个月没出新东西了。

大家好，我是瓦力，具身算法研究员。

我有个习惯，隔三差五都会去 PI 的官网刷一下，看他有没有新东西。最近这三个月，官网主页是一动没动，停在四月的 π0.7。

群里也有朋友注意到了。有人开玩笑，说 π0.5 现在是全球最差的具身模型。为啥？因为从去年到现在，几乎每家新出的模型，benchmark 上都要把 π0.5 拉出来吊打一遍，再宣称大幅领先（手动狗头）。

一个被所有人超越的模型，可不就是最差的嘛。哈哈哈，挺损的，但你还真没法反驳。

可从我一个做算法的角度来看，这事其实有点搞笑。全世界搞具身的都把 π 当做对比，反而恰恰说明了 π 就是标杆。

一个大家排队超越的模型，同时又是大家排队模仿的模型。这两件事怎么同时成立？

但讲真，几个月不见 PI 发新东西，自己是有些摸不到方向的。所以我干脆把 PI 从 π0 到现在的十几篇工作，从头捋了一遍，尤其是最近大半年的。捋完之后，想法有点出乎我自己的意料。

PI 可能不在大家拼命想超越的牌桌上，它换赛道了。

所以今天的文章想和大家聊聊这个话题：PI 这三个月的沉默里有没有藏东西，以及顺着这条线往下看，它接下来大概率要干嘛。

两条时间线

我把 PI 的十几篇工作系统分析了一遍，发现有比较明显的两部分。

前半段，2024 年底的 π0（第一个通用策略，flow matching 的动作专家）、FAST（动作 tokenization）、Hi Robot（听懂人话再多想一步）、π0.5（开放世界泛化）、Knowledge Insulation（训得快、推理得快还能保持 VLM 的知识）。

这些都是大脑的活儿，全在回答一个问题：模型能不能更聪明、能不能泛化到一个没见过的新场景。

后半段，大概从 25 年年中开始，画风开始有了变化。RTC、π*0.6、MEM、RLT、π0.7，一直到六月和英伟达合作的 SC3-Eval。

这些工作，没一个是在把大脑做得更大。

我最直观的感觉是，它们在回答另一个问题：一个已经部署下去的机器人，怎么在真实世界里活过第二个小时。

25 年年中这个拐点，就是 PI 悄悄下牌桌的时刻。这是我觉得比较有分界点的时刻。

国内还在盯着 PI 的前半段抄，在我和天南看来他们的后半段已经是另一个剧本了。

因为 PI 心里也清楚，护城河从来不在 paper 里那点架构。真正的壁垒，在后半段这些没法开源、也开源不了的脏活里。

这也能从侧面说明，为啥他们这三个月没东西对外。

PI  怎么让机器人自己干活

后半段里，有两篇工作专门讲 RL，也就是让机器人自己学。

先说人话。传统 VLA 本质是背答案，也就是模仿学习。示范里人怎么操作它就怎么模仿，碰到一个示范里没有的烂摊子，它就傻在那了。

强化学习是另一条路：让模型自己上手做事，干砸了自己长记性。

第一条线是 RECAP，也就是 π*0.6。

三个阶段，最后一段直接在真机上跑，同时使用两种信号。

一种是专家在旁边纠错，机器人卡住了，遥操的人手把手教它怎么恢复，很像教练带练。另一种是让它自己反复试，训一个 value 函数去判断哪一步是好棋、哪一步是臭棋。

这个阶段，也直接开始引领国内真机RL趋势，至少我们组开始从这个时候关注真机RL。

技术上有个点，它没走标准的 PPO 那套，而是把 advantage（这步比平均好多少）直接当成一个输入条件送回给模型。训练时全量数据留着，只是每条多加一个优势标注。数据一点不浪费，执行时你就让它专挑高优势的动作做。这很 PI。

第二条线是 RLT，负责的是精细活。

这个是真 NB，包括我自己复现还有和其他公司交流，RLT是真有用。至简那边的工厂落地，精度做到0.1mm，也是用的RLT。

具体做法是，给 VLA 加一个瓶颈，精炼出一个叫 RL token 的小东西，让一个很小的 actor 和 critic 在这个 token 上学，小到能在真机硬件上每秒更新几百次。

而且它不替换 VLA 的动作，是在动作的基础上做微调，等于给原动作做「精修」。插网线这种活，它 66 步搞定，人手遥操要 146 步，比人还快，而且只用了 15 分钟的真机数据。

两条线分工特别清楚：RECAP 负责长程、大规模，RLT 管分钟级的精细活。 

这已经不像在做研究了，更像在铺一套工具，主题就一个：机器人到了场景，怎么自己越干越好。

全是落地才会碰的破事

除了让模型自己学，后半段还密集地解决另外三件不 sexy 的事。

一是记忆。机器人长程任务会失忆。让它清理整个厨房，十几分钟，它记不住前面已经干过啥。

MEM 这篇给它上了双记忆：短时用一个高效视频编码器记住最近几秒，专门对付遮挡（手一伸过去挡住了，它还知道自己刚要抓的是啥）；长时比较巧，把做过的事压缩成一句自然语言存着，比如「我用海绵擦了台面，然后用纸巾擦干了」。

靠这点，真机能做 15 分钟的长任务。

二是延迟。大模型推理慢，但机器人的动作得连贯，不能一顿一顿的。RTC 解决的就是高延迟下动作怎么不卡壳。

三是听不听话。π0.7 让你能在它干活的中途插一句嘴，把它纠正到你要的方向去，也就是可操控。

你发现没有，这三样没有什么宏大的叙事。但它们全是一个机器人到了真实场景，第二个小时才会集中暴露的破事。

做demo的一般不会碰，因为不出彩。可你要做产品落地，这些确实都绕不过去。

PI 后半段的力气，有一半花在这种地方。

说实话，如果你真做过多模态融合加长程任务就知道，记忆这一块有多招人烦，各种时序和维度对不齐。现在想想我都头大。

π0.6 blog中连续七小时的工作记录

最不像 PI 会干的事

六月中旬 PI 和英伟达合作的 SC3-Eval，是最不像 PI 自己会做的事。

这个工作做的是评测，这部分的文章大家可以参考最近一个月，我们发现世界模型叙事有了集体转向。

讲人话就是。具身里最烧钱的环节，其实不是训练，是评测。你改了一版模型，好没好？如果靠真机跑几百上千次，太费精力。

SC3-Eval 让你不用真机也能知道：把策略输出的动作，送给一个视频世界模型，让它「脑补」出机器人接下来会怎么动的画面，然后直接给这段脑补打分。

难点在于脑补容易跑偏，越编越离谱。SC3-Eval 用了三重一致性来控制，不在这里赘述了。最后跟真机的闭环结果，Pearson 相关性做到 0.929。英伟达那边出的是 Cosmos 世界模型的班底。

在我看来，PI 一直是明确VLA路线派，虽然 π0.7 提了一嘴世界模型，但我没想到他们会和英伟达合作搞世界模型评测。

但这也不是 PI 主推的工作，世界模型本身我觉得不是 PI 之前的重点。可仔细琢磨之后也合理，技术本身没有优劣，好用才是标准。

想通了这一点之后，我觉得可以尝试推测下 PI 下一步的动作了。

斗胆预测一下 π1

现在把后半段这些零散的信息摆在一起：MEM 是记忆，RECAP 和 RLT 是真机 RL，SC3-Eval 是用世界模型评测。

关键的洞察是：SC3-Eval 里的世界模型，能力比较全面。能把这些能力都串在一起的，就是世界模型。

但如果 π1 是利用世界模型把这部分串起来，好像也没什么大不了，这些东西国内其实有人在做了。

我的看法是，π1 或者下个技术 blog 推出的时候。大概率还是沿着具身落地的叙事，在一个更宏大的场景落地上，赋予大脑更综合的能力。

这个能力是闭环的，但这个闭环我觉得会比我想象的更大、更完善和更务实。

实话讲，如果 π1 就是世界模型做闭环RL后训练、评测或者仿真，我应该也不会失望。我觉得会是一个更明确的落地信号或者指引。

想到这里，我其实有一些期待。

写在最后

说到这儿，可能有读者会抬杠：我前面不是说 PI 换赛道了吗？这不还是在更新模型。。。

这也是我想强调的地方。看完 PI 的每一篇文章，他们都在一步步解决新的问题。

π*0.6 加的是 RECAP，让它能从经验里学。π0.7 加的是可操控，让人类能中途修正一下。还有RLT、MEM等等，每一步都在解决具身在现实世界落地的小点。

摒弃更宏大的技术叙事，把技术能力慢慢收束。

PI 的版本号也没有1.0、2.0、3.0的猛冲，换句话说，他们自己也认为现在做的事情都不是很质变的。

嗯，量变还在积累。这一点也想跟大家强调一下。

再回头看 π*0.6 那个星号，它其实是整条时间线里比较关键的一次跳变。它标记的，是这模型从一个被训练出来的死物，成长为一个自己会进化的活物。

而一个活的系统，是没有 1.0 的。它只有闭环合上的那一刻。

搞不好下次的模型叫，π♾️。

写到这里，感觉 PI 三个月没更新，可能是他们当下在做的事情本身就比较枯燥，但这个阶段需要枯燥的量变积累。

下次再有人笑 π0.5 是全球最差的模型，我就这么跟他说：所有人都在超越 π，可 π 还是那个 π，至少现阶段仍然是。

文章来自于"天南具身公园"，作者 "瓦力"。