VLA模型π0.7展现自学与涌现能力，世界模型路径面临挑战

本文来自微信公众号：42号电波，作者：兰博，编辑：James

4月17日凌晨，美国具身智能企业Physical Intelligence（PI）发布新款VLA模型π0.7，在具身领域向行业证明了VLA的组合泛化能力。

在实际应用中，该模型面对未接触过的新任务时，能借助已掌握的技能自主构思解决方案。例如叠衣服任务，尽管π0.7此前无相关数据，却能「涌现」出这项技能，通过组合已有技能来完成叠衣服的操作。

PI称π0.7是「开箱即用的」VLA模型，无需针对具体任务微调，就能完成折箱子、做咖啡、打开抽屉等操作。

它还具备跨本体能力，即便陌生本体缺乏相关任务数据，搭载π0.7后的任务成功率，与拥有大量遥操经验的人类首次执行相同任务时的成功率相近。

实现这些能力的关键在于采用多样化且详细的Prompt，提升数据利用效率，这种数据处理方式在行业内较为罕见。

PI研究员Ashwin Balakrishna表示：「过去我总能根据训练数据推测模型的能力范围，这次却无法预测了。」

当前多数VLA模型仍局限于「见过才能做」，泛化能力高度依赖训练数据分布，而π0.7将VLA推向新高度，也让世界模型的发展路径感受到压力。

通才模型达到专才水平

机器人领域一直致力于打造能执行多任务的通用模型，但实际中多数任务需专项训练，远未达到通用标准。

π0.7的开箱即用特性展现出通才潜力。实验数据显示，在做咖啡、叠衣服、装箱等任务中，尽管π0.7未针对这些任务专门训练，其水平仍追平了经微调的π0.6专家模型RL specialist和SFT specialist。

更值得关注的是，π0.7在叠衣服、装箱任务中的效率更高。

目前多数「专家模型」通过以下方式构建：

• 针对单一任务收集大量数据；

  
  

  
  

• 进行强化学习或监督微调；

  
  

  
  

• 将策略压缩为高度特化的模型。

  
  

  
  

这类专家模型的能力源于对单一任务的深度拟合，而π0.7的路径截然不同，它未针对特定任务额外训练，主要依赖已有能力的组合与复用。

以叠衣服任务为例，它并非直接学会叠衣服，而是调用抓取、展开、对齐、折叠等在其他任务中掌握的基础能力，在执行过程中动态组合成新解决方案。

因此，π0.7能达到专才水平，是因为它更灵活，懂得复用能力，不受固定策略限制，执行中会不断选择更合适的动作组合。

π0.7的核心在于一种新的能力获取方式：用有限技能覆盖无限任务。

组合泛化能力的实现机制

从技术博客可知，PI的数据处理方式是实现这些能力的关键。

传统VLA对数据的组织接近「任务标签」，如倒水、抓取、开抽屉各为一类数据，模型学习输入到动作的映射，往往仅掌握表象，难以理解本质。

π0.7则转向另一种结构，将任务拆分为可复用的「技能单元」，再通过语言组合。

这意味着模型内部不再仅隐式拟合任务，而是逐渐形成：

• 可复用的动作基元（primitives）

  
  

  
  

• 对任务目标的结构化理解

  
  

  
  

• 基于语言的动态组合能力

  
  

  
  

这也是它面对叠衣服这类陌生任务时，能进行抓取、展开、对齐、折叠等组合推理，而非盲目猜测的原因。

这一步的关键是让任务表示从「样本驱动」转向「结构驱动」，使机器人能力像大语言模型一样逐渐具备「涌现」潜力。

通过工作人员的口述引导，机器人能完成打开锅盖、放入食材、关闭机器等操作，即便训练数据中这类任务极少。

口述即可教会机器人新技能，若能广泛应用，数据采集成本将大幅降低。

Prompt成为可控执行的引导机制

多数机器人系统中，Prompt仅为高层指令，实际行为由策略模型决定。

但在π0.7中，Prompt的角色发生转变，承担任务描述、执行约束和中间指导功能，形式更多样、详细：

• 任务拆解方式

  
  

  
  

• 操作顺序提示

  
  

  
  

• 纠错信号

  
  

  
  

PI的做法是给数据添加多样上下文，形成多模态Prompt，甚至包含任务完成后的预期画面。

此时，Prompt不再只是自然语言描述，而是与数据共同构成更丰富的上下文，包括任务拆解、操作顺序提示及潜在纠错信号。

这些信息在训练中被纳入，使模型推理时能基于这些结构决策。

PI团队强调，使用更多样、详细的Prompt可显著提升模型能力。

跨本体泛化实现软件硬件解耦

作为专注软件的具身企业，PI希望像自动驾驶软件公司一样，通过向机器人提供智能软件盈利。

但机器人领域硬件种类繁多，软件的跨本体泛化能力是PI必须解决的问题，这也是π0.7的核心能力之一。

具体任务中，π0.7在叠衣服时，训练数据无UR5e机器人叠衣服的样本，但其完成度达85.6%。

相比之下，10名平均有375小时遥操经验的人类操作员完成度为90.9%，两者成功率相近，而π0.7在数据方面并无优势。

这种跨本体泛化潜力，为PI软件的大规模商业应用增添了底气。

写在最后

总体而言，π0.7的核心在于模型能力获取方式的转变。

以往模型能力增长多依赖数据覆盖，见过的任务才能完成，泛化能力高度受训练分布限制。

π0.7展示了另一条路径：用有限技能覆盖无限任务空间，使模型能力增长不再单纯线性依赖数据规模，更注重：

• 技能的拆解与复用；

  
  

  
  

• 任务的结构化理解；

  
  

  
  

• 通过语言的动态组合能力。

  
  

  
  

当这些条件满足后，机器人能力开始「涌现」，这种能力从结构与组合中自然「生长」。

因此，PI研究员难以通过训练数据预测模型能力边界，因为能力来源不再完全对应具体数据，而是来自更高层次的组织方式。

有趣的是，在世界模型热度高涨的当下，π0.7的出现让VLA路径重新受到关注，世界模型的发展可能因此面临挑战。