一家成立仅两年的机器人初创公司，凭借其最新发布的机器人基础模型π0.7，在科技领域引发了广泛关注。这款模型赋予机器人执行从未接受过明确训练任务的能力，无论是使用空气炸锅烹饪红薯，还是让从未接触过衣物折叠数据的工业机器人成功叠好T恤，都展现出其强大的泛化能力。
更令人惊讶的是，π0.7的这些能力并非刻意设计，而是在训练过程中自然“涌现”出来的。研究科学家Ashwin Balakrishna表示，当他深入了解数据内容时，通常能预估模型的能力，但这次却让他感到意外。他随机测试一个齿轮组，询问机器人能否转动，结果机器人真的做到了。这种超越死记硬背、能够组合技能解决新问题的能力，在机器人领域尚属首次，预示着机器人AI可能正接近类似大语言模型领域的“GPT-2时刻”，能力开始以超出基础数据预期的方式增长。
在空气炸锅使用实验中，π0.7的表现令人瞩目。当研究者要求它用空气炸锅烹饪红薯时，它虽未能完全成功，但完成了打开炸篮、尝试放入红薯等部分任务。要知道，模型从未见过完整的“拿起红薯-打开炸篮-放入-关闭-启动”操作链条。而当研究者采用语言指导方式，逐步给出指令时，π0.7能够精准跟随，成功完成任务。早期实验成功率仅5%，但在优化提示工程后，成功率跃升至95%。这一现象与大语言模型的“涌现”能力相似，π0.7能将从未一起出现过的技能重新组合。
跨具身迁移实验则展示了π0.7在物理形态层面的迁移能力。研究者在双臂UR5e系统上测试π0.7，该系统手臂更长、更重、惯性大，夹爪不够精确，且研究者从未用这个平台收集过衣物折叠数据，折叠T恤对它来说是“零样本”任务。然而，π0.7不仅成功折叠了T恤和毛巾，任务进度达到85.6%，成功率达到80%，与拥有375小时远程操作经验的顶级操作员在相同任务上的表现几乎持平。而且，π0.7在UR5e上采用的折叠策略与源机器人完全不同，它根据目标具身的物理特性调整了行为，这正是跨具身迁移的本质，即理解任务目标并找到适合当前身体的新解法。
在常规的灵巧操作任务上，π0.7同样表现出色。与通过强化学习微调的专用模型π0.6*相比，π0.7在制作浓缩咖啡、组装盒子、折叠衣物、削蔬菜皮、更换垃圾袋、切西葫芦、做花生酱三明治等任务上，都达到了与专用模型相当甚至更高的性能。在衣物折叠任务中，其吞吐量甚至超过了RL专家模型；在需要记忆的任务中，无需微调，开箱即用就达到与专用记忆模型相似的水平；在指令遵循方面，也大幅超越了前代模型π0.5和π0.6。它还能处理“分布外”的复杂指代指令，结合子目标图像时性能进一步提升，甚至能打破数据集的偏见，完成反向任务。
π0.7是一个参数量约50亿的视觉-语言-动作模型，其核心组件包括视觉-语言骨干网络、动作专家模块、记忆机制和多模态上下文。视觉-语言骨干网络基于Gemma3 4B模型，负责处理多视角图像、语言指令和机器人本体感知信息；动作专家模块是一个8.6亿参数的Transformer，采用流匹配目标生成连续动作；记忆机制沿用MEM架构，使模型能处理变长的历史帧；多模态上下文则让模型在训练时接受多种额外提示，并在推理时灵活组合使用。
π0.7的训练数据具有大规模异构的特点，包括多种机器人平台的演示数据、自主策略评估产生的数据、人类远程操作干预数据、第一人称人类视频以及互联网上的非机器人数据等。训练时，模型接受子任务语言指令、子目标图像、片段元数据和控制模式四种额外提示作为数据上下文，且每种提示会随机丢弃一部分。模型还通过元数据标注区分不同质量的数据，采用“知识绝缘”技术避免动作预测干扰预训练的视觉语言特征，从而稳定学习多模态上下文。
尽管π0.7取得了显著成果，但仍存在一些局限性。目前，它还无法仅凭一个高层次指令自主执行复杂的多步骤任务，对于长时程、多阶段的新任务，仍需人类通过语言指导或训练高层策略来分解子任务。机器人领域缺乏标准化的基准测试，使得外部验证变得困难，不同实验室之间的任务和环境差异大，难以直接比较。而且，物理世界的交互数据稀缺且昂贵，尽管π0.7使用了多种数据，但对于某些任务，零样本泛化的成功率仍低于分布内任务，未来需要更高效的数据利用方法。
不过，π0.7的发布标志着机器人基础模型从“死记硬背”走向“组合泛化”的初步突破。其多样化的上下文提示、元数据条件化和超大规模异构数据训练，使其在零样本下完成多项从未见过的任务，性能媲美人类专家和RL微调专用模型。这家初创公司已融资超10亿美元，最新估值达56亿美元，并正洽谈新一轮可能将其推至110亿美元的融资。虽然有人对其跨具身能力提出质疑，认为目前仅限于夹爪操作，尚未涉及更复杂的全身控制，但这并未掩盖多数人对该方向的乐观预期。
