π0.7 学习笔记（中文版详细整理）

一、先给出最核心的结论

这篇文章最重要的判断，不是单纯地夸奖 π0.7 很强，而是借 π0.7 来反驳当前机器人数据行业里一种很流行、但作者认为过于粗糙的叙事：只要不断收集更多第一视角人类数据，再把这些数据喂给机器人模型，问题最终就会自己解决。

作者的观点恰恰相反。他认为，机器人学习的问题从来不只是"数据够不够多"，而更是"数据有没有被正确组织、正确标注、正确条件化，以及是否能让模型在冲突策略中学到有用结构"。 因此，π0.7 的关键进步并不是神秘的"涌现能力"突然降临，而是来自一系列完全可以点名的工程设计选择。

规模本身不是答案；没有上下文、没有元数据、没有条件化的规模，甚至可能是诅咒。

二、作者到底在反对什么

作者开篇就针对一种常见叙事开火：很多人看到机器人领域的 demo，会以为只要积累足够多的人类第一视角数据，模型最终就会获得类似大语言模型那样的泛化能力。文章特意点到了一个典型案例：如果你只看到某些 demo 宣称自己拥有数十万小时的人类数据，再加上很少量的任务特定数据，你很容易相信"数据量就是答案"。

但作者认为，这种理解危险地忽略了数据工程。原因很简单：机器人动作数据不是普通互联网文本。不同演示之间可能包含不同策略、不同速度、不同质量、不同控制方式、不同局部目标，甚至彼此冲突。如果你只是把它们一股脑混到一起训练，那么模型学到的很可能不是更强泛化，而是一个把冲突行为平均化之后的模糊策略。

换句话说，这篇文章反对的不是"多数据"本身，而是把数据规模当成唯一变量、把数据工程视为次要细节的行业思路。

三、作者对 π0.7 的总体判断

作者特意对标题中的 "Emergent Capabilities" 做了一个保留。他认为，这个说法多少有些"卖大了"。因为在他看来，π0.7 的提升主要并不是无法解释的突现，而是几个明确可描述、可复现、可工程化的选择叠加出来的结果。

这些关键选择可以被整理成下面这张表：

四、数据层：π0.7 到底用了什么数据

作者指出，π0.7 几乎使用了"除仿真之外的一切数据"。这些数据包括遥操作示范、自主 rollout、RL 专家轨迹、明显失败的样本、第一视角人类视频以及网页数据。

这个点非常重要，因为它代表了一个和许多"单一来源数据神话"完全不同的方向。官方介绍页也明确强调，π0.7 的广泛泛化能力来自广泛且多样的数据，包括不同机器人、不同控制模态、人类数据以及由不同策略跑出来的自主 episode。

这里最值得注意的一点是：异质数据本身并不会自动产生泛化，只有当这些数据被正确地对齐与注释时，它们才可能真正有用。 这也是文章后面为什么反复强调 metadata 和 prompt conditioning。

五、真正的重活发生在哪里：Prompt 本身

作者有一句必须原样记住的话：

"The heavy lifting happens in the prompt itself."

这句话的意思不是"prompt engineering 万能"，而是说，π0.7 的泛化能力在很大程度上不是来自某个神秘的模型内部变化，而是来自于输入条件本身被设计得足够丰富。作者点出的几个关键条件包括：subgoal images、subtask instructions、episode metadata。这些条件在训练过程中还会被随机 dropout，使模型学会在测试时面对条件不完整的情况。

官方介绍也给出了类似但更系统的说法：π0.7 的关键在于把多样上下文加入 prompt，让模型不仅知道"要做什么"，还知道"要如何做"，甚至知道任务应以怎样的速度、质量或策略完成。

六、为什么 naive scaling 会失败

这是整篇文章最锋利、也是最值得反复研究的一部分。

作者认为，很多机器人数据团队的默认逻辑是：数据越多，模型越强。但问题在于，如果不同 episode 中包含了互相冲突的策略，而你又没有元数据去解释这些差异，那么训练就会把这些行为"平均"到一起。文章引用论文措辞，把这种现象描述为 "averaging together different behaviors"。

这会导致一个反直觉现象：你灌进更多数据，模型反而更差。 因为它并没有学到更丰富的策略，而是把不同策略互相冲淡了。

"Scale without context is a curse."

七、元数据为什么是规模化的真正钥匙

作者认为，真正让规模化成立的，不是数据量本身，而是对 episode 如何进行、表现质量如何、策略风格如何的高密度标注。

尤其关键的是，文章提到可以在训练时给元数据加入 data-quality score。这样，模型就能区分：哪些样本应该被主动模仿，哪些样本更多只是帮助自己了解状态分布，而不一定值得照着学动作。

官方介绍页也明确提到，metadata 可以编码任务完成速度、质量等信息，使 suboptimal 的自主数据也能安全纳入训练，因为模型知道这些样本应该如何被解释。

八、子目标图像：为什么它比语言更强

作者对 subgoal image conditioning 的评价非常高，甚至把它看作 π0.7 成功的关键支点之一。

其核心思路是：与其运行一个昂贵的世界模型去 rollout 完整未来轨迹，不如把连续未来离散化，预测一个单独的未来帧，也就是 subgoal，然后让策略以此为条件来预测动作。

这会把原本复杂的开放式动作规划问题，转化为一个更容易收敛的逆动力学问题：

"从当前观测出发，什么动作能把我带到这个未来观测？"

官方介绍也与此一致，指出视觉子目标可以为当前子步骤提供精确的空间布局定义，而这些视觉子目标甚至可以由一个轻量级 world model 在测试时生成。

从这张图里可以看到，作者强调的那些条件化信号，并不是文字修饰，而是模型架构真正消费的输入部分。

九、为什么 π0.7 的指令跟随终于更像"听懂了"

作者提到，很多人抱怨 π0 和 π0.5 一旦把"drop x on the left"改成"drop x on the right"，性能就会明显崩掉，因为训练数据在空间方向上本来就偏向某个分布。于是模型学到的不是语言，而是任务分布本身。

在这种情况下，简单增加更多语言多样性并不是完整答案。作者认为，π0.7 真正更有效的地方在于：subgoal image conditioning 比语言本身更强，更能压过原始训练分布带来的任务先验。

十、Cross-embodiment transfer：所谓"没有任务特定数据"到底是什么意思

作者非常小心地区分了一个容易被误解的概念："没有任务特定数据"并不等于"没有机器人本体相关数据"。

也就是说，目标机器人仍然做过别的任务，模型对这个 embodiment 并不陌生；只是它没有见过"这个机器人执行这个具体任务"的演示而已。

这点很重要，因为它告诉我们：π0.7 证明的不是"完全零经验"神话，而是组合式泛化。也就是模型把过去在其他任务、其他说明、其他视觉状态中学到的能力重新拼接，去完成一个没见过的新任务。

十一、组合泛化为什么是北极星

作者明确说，compositional generalization is the north star。

这个判断的意义在于，它重新定义了机器人基础模型真正追求的目标。不是背会更多任务模板，也不是在一个固定机器人上做更多 task-specific fine-tuning，而是像大语言模型那样，把已经学过的技能进行新的组合与重组。

官方介绍页面同样把这一点当作 π0.7 的亮点，称其出现了机器人领域中早期的组合式泛化信号，能够把多个任务中的技能重新组合，去解决训练中没见过的问题，例如使用新型厨房电器，甚至在没有洗衣折叠数据的情况下让新机器人学会折衣服。

机器人基础模型真正的目标，不是会很多孤立技能，而是能把旧技能重新组合成新能力。

十二、这篇文章对机器人数据公司的产业判断

作者最后把讨论从模型方法上升到了产业层。

他认为，未来真正有价值的机器人数据公司，不能只出售"原始数据包"，而必须自己去搭机器人、做训练、沉淀标注体系、掌握模型改进经验，然后把这些能力与 learnings 一起打包输出。

这背后的逻辑非常硬核：如果你只是一个纯数据供给方，而不真正理解这些数据如何进入训练、如何与条件化系统配合、如何影响泛化，那么你卖出的只是"素材"，不是"学习系统"。真正愿意买单的机器人公司，最终想买的不会只是原始数据，而是经过验证的数据工程能力。

十三、最值得保留的三句原话

"Scale without context is a curse."
这句话几乎是全篇的中心结论。在机器人学习里，数据规模必须被上下文与条件化结构约束，否则规模只是把噪声和冲突放大。

"The heavy lifting happens in the prompt itself."
π0.7 的性能提升很大程度上发生在输入设计层，而不是神秘地发生在模型内部。

"It is that subgoal image conditioning has a stronger effect than language in overriding the task prior."
在机器人控制里，视觉条件对动作分布的约束，可能比自然语言条件更直接、更强。

十四、适合继续深入研究的问题

十五、适合直接存入个人知识库的简版结论

十六、我的总体评价

如果你说这篇对你"太重要了"，我认为这个判断是对的。因为它并不是单纯在分析一个新模型，而是在重新定义机器人数据行业的价值来源。它真正重要的地方，不是"π0.7 又刷新了什么 demo"，而是它把一个长期被讲得过于简单的问题——"数据越多越好吗？"——拆开成了一套更真实的技术命题：

1. 数据源是否足够多样；
2. 不同数据是否能用 metadata 被正确解释；
3. prompt 是否能提供足够强的行为条件；
4. 子目标图像是否能把任务先验从语言分布拉回到空间状态分布；
5. 模型是否真的在学习组合式泛化，而不是背诵任务分布。

从这个角度看，这篇文章的真正主题其实不是 π0.7，而是：机器人基础模型时代，数据公司必须升级成"数据 + 标注 + 训练 + 模型理解"的系统型公司。

参考文献

1. Shreyas Gite on X: π0.7 and Everything Robot Data Companies Are Getting Wrong
2. Physical Intelligence: π0.7: a Steerable Model with Emergent Capabilities
3. π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities（论文 PDF）

苏亮 · 全世萝卜 Panbotica

https://panbotica.net/pi07-notes