结构之法 算法之道

今天一早，朋友圈刷到π0出0.5版本了，之后，我组建的「七月具身：π0复现微调交流群」群中，也在讨论这事，并说：七月老师要更新博客了这不就来了现在具身模型的发展 还不如大语言模型那样成熟π0 发新版了，意味着和Google的RT(大概率是不更了)，以及figure(没开源过)等等——还有别的一些模型 没列举全，进入了少数迭代型的具身模型的行列。

自从ChatGPT火爆之后，大语言模型对具身智能的赋能、推动便一日千里，然大语言模型和人类对话上的交互是限定在一个文字世界里的，不需要考虑实体与其所处环境的物理交互毕竟在虚拟世界中，大语言模型给的答案没有实体或现实世界的限制，但到了现实世界中，人让实体的机器人干活时，则一切大不一样了机器人需要考虑现实世界中 各种限制，比如各种行为在现实中是否可执行如Hi Robot原论文所说的当你对机器人说，“如果你有火腿或烤牛肉，能不能为我的朋友做一个包含其中一种的单独三明治？

25年2.4日，几个月前推出π0的公司Physical Intelligence (π)宣布正式开源π0及π0-FAST，如之前所介绍的，他们对用超过 10,000 小时的机器人数据进行了预训练该GitHub代码仓库包括4个方面：简言之，就是π0本身的代码和权重、特定平台上特定任务的微调checkpoint、推理代码、微调代码。

ChatGPT出来后的两年多，也是疯狂写博的两年多，年初deepseek更引爆了下从曾经15年创业后每年2-6篇的，干到23年30篇、24年65篇，25年前两月18篇，成了我在大模型和具身的原始技术积累如今一转眼已到25年3月初，纪念这两年多，然近期和团队接了好几个大客户订单，使得3月起 不得不全力加速落地，自己也得每天抠paper、搞代码，今年可能没法像去年那样干65篇，不过，我还是争取保持月月更新。

最近，多项研究开发了通用机器人策略[这些策略是在越来越大的机器人学习数据集，比如52-Open-X上进行训练的训练通用策略的一种有前途的方法是视觉-语言-动作模型VLAs，包括且不限于10Rt-239-Openvla7-π063-Tinyvla11-GR-2这些模型是在互联网上规模庞大的图像和文本数据上预训练的，用于机器人控制使用具有数十亿参数的大型视觉-语言模型骨干，为拟合大型机器人数据集提供了必要的表达能力。

在此文之前，我花了一天半，详细解读了清华这个机器人扩散大模型RDT，包括其每一个附录，并在上文中预告说：​下一篇是一个3B的机器人大模型打通7种不同品牌的机械臂，这几个工作宣告机器人真正进入大模型时代故，本文来了。

此外，在实践中，我们倾向于一次性预测一系列动作，即一个动作块，以促进时间一致性（Chi等，2023），并通过减少任务中的决策次数来缓解错误累积（Zhao等，2023）这可能导致分布外的动作，例如多个模式的算术平均值，这可能完全不可行（Pearce等，2023），相反，作者选择建模连续条件分布。幸运的是，对于作者的设置来说，这一缺点很小，因为。此外，值得强调的是，他们的目标是利用多机器人数据来增强模型在双手操作中的普适性，而不是开发用于各种机器人的跨实体模型。的维度比图像低得多，只需要最小的采样开销。

上个月的24年10.9日，我在朋友圈看到字节发了个机器人大模型GR2，立马去看了下其论文(当然了，本质是个技术报告)这次也是我头一次看paper，不看正文，而是直奔其References，​看有没有我预想中的文献，说明咱看paper的能力相比去年强很多了那天之后，我就一直想解读这个GR2来着然，意外来了，如此文开头所说。