Physical Intelligence微调模型让机器人做家务
我们让机器人能够洗锅、擦窗、做花生酱三明治，还有更多任务！ 微调我们的最新模型就能实现所有这些任务，这对机器人学、莫拉维克悖论，以及具身智能中大模型的未来都有有趣的启示。 详见下方！
#Physical Intelligence
Physical Intelligence SocialAI 评分2929
Physical Intelligence精选AI 评分6464 Physical Intelligence 微调 π 0.6 挑战 Robot Olympics 五类任务，拿到三金两银
Physical Intelligence 通过微调其最新的 π 0.6 模型，在 Benjie Holson 提出的 Robot Olympics 五类日常操作挑战中，3 类给出金牌任务的初步解、其余 2 类达到银牌，平均成功率 52%、任务进度 72%。
推荐理由：用同一组外部提出的日常操作任务对比有无机器人预训练的差距，读者可据此判断基础模型预训练对操作技能的实际价值。
Physical Intelligence SocialAI 评分4747 π0系VLA涌现人类视频对齐
我们发现 π0/π0.5/π0.6 等 VLA 的一个涌现特性：随着预训练规模扩大，模型学会了对齐人类视频与机器人数据！ 这为我们提供了一种利用人类视频的简便方式。一旦 π0.5 掌握了控制机器人的能力，它就能自然地从人类视频中学习。
Physical Intelligence精选AI 评分7373 Physical Intelligence：VLA 随机器人数据规模扩大涌现人类到机器人迁移能力
Physical Intelligence 研究发现，在只有人类演示出现的泛化场景中，仅将人类第一视角视频与机器人数据混合微调 π0.5，就能让策略性能提升约 2 倍，全程没有使用任何显式的迁移学习机制。
推荐理由：实验显示仅把人类视频混入微调就能让策略在纯人类演示场景上提升约2倍，且该能力随预训练机器人数据规模增长而出现。
Physical Intelligence Social精选AI 评分6868 Physical Intelligence 发布 π0.6 模型，可用强化学习从自身经验中学习
Physical Intelligence 发布新模型 π0.6，它能通过强化学习（RL）从自身经验中学习。相比未用 RL 训练的基线模型，π0.6 的吞吐量可提升一倍以上，并能执行真实世界任务，包括制作浓缩咖啡饮品、折叠多样衣物和组装纸箱。
推荐理由：原文给出了相对未用强化学习的基线模型吞吐量翻倍以上的对比，以及三类真实任务的落地范围。
Physical Intelligence精选AI 评分7474 Physical Intelligence 发布能从经验中学习的VLA模型 π*0.6
Physical Intelligence 发布 VLA 模型 π*0.6，用其 Recap（RL with Experience & Corrections via Advantage-conditioned Policies）方法训练后，在部分最难任务上吞吐量提升一倍以上，失败率可降至原来的一半或更低。
推荐理由：原文解释了模仿学习下VLA复合错误的成因，并给出用专家纠错与自主经验做强化学习的训练路线。