“最强具身VLA大模型”，究竟强在哪儿？

henry 发自 凹非寺
量子位 | 公众号 QbitAI

看似轻描淡写，实则力透纸背。

Physical Intelligence刷屏全网的机器人基础模型π*0.6，一亮相就秀出了实力：

让机器人连续一整天制作意式浓缩咖啡，数小时不间断折叠各类衣物，还能精准组装工厂所需的包装纸箱。

π*0.6的加持下，这些任务的成功率都达到了90%以上。

然而，仔细阅读论文就会发现，比起连做13个小时咖啡，π*0.6真正的突破在于引入了一种更直觉的学习方法——Recap：

• 指导：用人类示范教它基础动作
• 辅导：纠错指导让它修正错误
• 练习：从自主经验中不断优化、变得更强

这彻底扭转了过去机器人只会逼近 “真值” 的模仿学习模式，让机器人能从自己的错误中成长。

就连网友也直呼：

• 从错误中学习，这不比人都强？

最强VLA模型——π*0.6

π*0.6延续了Physical Intelligence此前一贯的VLA（视觉-语言-动作模型）路线，是今年四月份发布π0.5以来最新的VLA模型。

总的来说，π*0.6的核心贡献在于提出了一种通用训练方法——基于优势条件策略的经验与纠偏强化学习（RL with Experience & Corrections via Advantage-conditioned Policies，RECAP）。

RECAP让VLA能够使用奖励反馈和人类介入进行训练，其主要包含三个阶段：

• 离线RL：基于多机器人、多任务的示范数据（包括失败数据）训练价值函数和策略
• 微调：用人类示范将π*0.6适配到具体任务（咖啡/折衣服/组装盒子）
• 在线阶段：机器人自主执行任务，获得稀疏奖励，并结合专家在线纠偏，更新价值函数，再通过优势条件化改进策略

接下来，让我们具体来看。

首先，对于为什么RECAP选择价值函数，而不是标准的策略梯度，这里有个关键的巧思。

一方面，真实机器人数据极度异构：包括人类示范、专家干预、以及机器人在不同策略下的执行轨迹。标准的策略梯度方法需要on-policy的新鲜数据，难以有效吸收这些历史混合数据，因此天然不适合具身场景。

另一方面，VLA模型基于Flow Matching生成连续动作，这类模型没有显式的log π(a|s)，导致无法像传统策略那样对直接求梯度。

换句话说，PPO、REINFORCE 这些算法在这种模型结构上根本施展不开。

因此，RECAP没有走传统RL的路线，而是采用了一个巧妙的“优势条件化”策略：

模型仍按监督学习方式训练，但额外给它一个输入，告诉它当前动作的优势值（advantage）。优势越高，代表“这个动作更值得模仿”。

于是整个流程变成了：

价值函数负责评价 → 优势条件化负责表达 → VLA用监督学习吸收所有数据

换句话说，RECAP用价值函数判断动作质量，再用优势条件化把原本需要RL求解的策略更新，重新写成了大模型最擅长的监督学习问题。

训练价值函数与策略提取

为了让模型从异构数据中学习，首先需要训练一个能够识别“好坏”的价值函数。无论数据来自哪里（演示或自主尝试），处理过程如下：

• 计算经验回报：对每条轨迹，从当前时间步到结束计算累计回报，并归一化、离散化成201个区间，为价值函数提供训练目标。
• 训练分布式价值函数：用多任务分布式价值函数预测离散价值分布，通过最小化交叉熵损失进行训练，再提取连续价值函数，得到每个状态-动作的实际价值。
• 计算优势（advantage）：用动作的实际回报减去价值函数预测，得到优势值，并二值化形成高/低优势指标，作为策略训练的额外输入，引导模型选择更优动作。

有了优势信号，我们就能实现高效的策略提取。这种方法完美满足了前文提到的对离线RL的需求：

• 充分利用多样化的离策略数据：包括最初的人类示范、专家干预，以及机器人自主执行的轨迹（既有最新策略的，也有早期策略的）。
• 可扩展性：方法需要能够应用于大型VLA模型，包括那些使用流匹配（flow matching）或扩散（diffusion）生成动作的模型。
• 同时利用优劣数据：既要有效利用近似最优的动作，也要利用次优动作的数据，这对于通过自主经验提升策略尤其重要。

通过这种设计，RECAP成功地在不依赖昂贵在线PPO更新的情况下，利用混合质量的离线数据实现了机器人的自我进化。

在线阶段：专家纠错 + 自主经验

在机器人自主执行阶段，RECAP通过两类数据持续优化策略：

• 专家纠错：专家远程干预纠正严重错误（如纸箱折叠顺序颠倒），每一次纠错动作都会被标记为“正向优势”，训练模型学习如何恢复错误。
• 自主经验：模型自主完成的轨迹，无论成功还是失败，都纳入训练数据。通过价值函数和优势指标，自动筛选有效信号，优化精细动作。

模型架构与性能

π*0.6是在π0.6基础上构建的，而π0.6又是对π0.5的升级版本。

π0.6的Backbone从Pi0、π0.5的Gemma(2.6B)扩展到Gemma3(4B)，Action Expert参数量也升级到了860M。

在模型架构方面，π0.6延续了π0π0.5架构，通过流匹配（flow matching） 和离散动作token 输出生成动作片段。

从实验来看，研究团队在三个高难度的现实任务中评估了模型：折叠多样化的衣物、组装纸箱（工厂环境）和制作浓缩咖啡。

在最难的任务（如折叠多样化衣物和制作咖啡）中，RECAP将任务的吞吐量（每小时成功次数）提高了一倍以上，相比于仅进行监督微调（SFT）的模型，RECAP将任务失败率降低了约2倍。

与此同时，模型表现出极高的稳定性，例如连续13小时制作咖啡、连续2小时折叠衣物而无需人为重置。

从失败经验中学习

正如开头提到的，Recap最具启发性的地方，莫过于它让机器人能够从错误经验中学习

俗话说“失败乃成功之母”，但在传统的模仿学习，乃至更广泛的监督学习中，逼近真值或最优解通常被认为是最直接、最有效的策略。

这种方法在大规模语言模型（LLM）和其他机器学习系统上确实表现出色，数学上也简洁优雅。

然而，对于现实世界的机器人，仅仅知道如何做对，却不知道如何从错误中恢复，就会成为关键障碍。

在LLM等生成静态输出的AI系统中，监督学习假设数据是独立同分布（i.i.d.），预测输出不会影响后续输入，因此偶尔的偏差不会带来致命问题。

但对于需要持续与外界互动的系统，例如机器人，情况则完全不同。

模仿学习中模型的每一次动作都会影响未来状态，一旦出现轻微错误，就可能进入训练数据未覆盖的新状态，从而触发滚雪球式误差。这些错误叠加后，任务可能彻底失败。

因此，要想让机器人“每次都成功”，光靠复制示范数据是不够的。

解决之道在于：让视觉-语言-动作（VLA）模型能够从自身实际犯过的错误中学习，就像人类通过练习不断纠正失误一样。

问题在于，这些经历该如何标注？如果简单地让模型复制过去的行为，它只会学会重复错误。关键是如何从“坏数据”中提炼出有效的训练信号。

Recap通过指导中辅以纠正，练习中辅以强化来实现这一点：

教练式纠偏（corrections）当机器人犯错时，专家通过遥操作介入，示范如何恢复、如何更好地完成任务。

不同于传统的示范教学，这里不是教“该怎么做”，而是教“当事情出错时该如何修正”。

这种针对性纠偏弥补了传统模仿数据的不足，是防止错误累积的关键。

强化学习（reinforcement learning）

然而，仅仅依靠人类提供纠正措施是远远不够的，机器人需要自主学习。

机器人需要根据一个回合的总体结果自行判断其行为的好坏，并迭代地学习执行好的行为，同时避免坏的行为。

由此，就引出了基于对错奖励的强化学习。

如上文所说，为了实现强化学习，核心在于解决信用分配（credit assignment）的问题。

比如，要知道机器人执行的哪些动作导致了好的结果，哪些动作导致了坏的结果。

这里，Recap通过训练一个价值函数（value function）来应对这一挑战，它可以预测当前状态相较于其他状态的优劣。

△图源：Reinforcement learning: An introduction

举例来说，在经典的格子世界中，智能体会通过一次次尝试更新每个状态的价值：落在好格子上，价值提高；掉进坏格子里，价值降低。

随着价值评估逐渐准确，智能体自然会倾向于选择那些通向高价值状态的动作。

同样的逻辑放到机器人身上：价值函数的变化为模型提供了一个简单而强大的判断信号。

• 让价值上升的动作：代表机器人朝任务成功更近了一步，应当被强化；
• 让价值下降的动作：意味着偏离目标，需要被抑制或修正。

举例来说，在折叠衣服任务中（左图），红色区域表示机器人突然将衣服拉起的错误动作，对应价值下降；而绿色区域表示机器人正确完成折叠时，价值上升。

可以说，价值函数帮助机器人识别“关键步骤”与“错误来源”，让它真正具备在复杂真实环境中从经验中变强的能力。

当训练好价值函数后，下一步是“策略抽取”：让策略（即VLA模型）以价值变化为条件进行训练。

所有数据——包括成功和未成功——都被保留，同时告知模型哪些动作是有效的、哪些动作应避免。

这种优势条件化（advantage-conditioned）训练能够让模型在保留全部经验的前提下，从失败中学习，从而表现超越单纯示范数据的水平。

综上，Recap不仅让机器人学会了执行任务，更重要的是，它让机器人学会了自我纠正和优化策略，为后续复杂任务的鲁棒性和效率提升提供了可扩展的解决方案。

与此同时，如果从好数据（示范）少，坏数据（错误经验）多的视角来看，π*0.6 的突破可能更具深远意义 ——

它证明了机器人能从真实执行中收集的 “不完美经验” 里，提炼出高效的学习信号，这也为后续机器人研究开辟了全新思路，提供了极具价值的探索方向。

[1]https://www.pi.website/download/pistar06.pdf

[2]https://www.pi.website/blog/pistar06

[3]https://www.physicalintelligence.company/download/pi05.pdf

[4]https://x.com/svlevine/status/1990574916622856290