Physical Intelligence π0.7 是什麼：可按指令調整行為的 VLA

Physical Intelligence 官方π0.7 研究文章介紹的π0.7 是一種可以調控執行方式的視覺語言動作模型。除了任務目標，系統還能接收中間語言步驟、期望質量或速度等策略資訊，以及描述未來狀態的子目標影像。

公司報告了未見任務組合、跨機器人形態遷移，以及在指定任務上接近專用策略的結果。這些結論要限定在測試機器人和任務內。想先理解模型類別，可閱讀VLA 與 VLM 比較。

可調控的關鍵是同時說明目標和做法

“整理廚房”沒有規定先後順序、速度和策略。π0.7 可以接收下一步語言、質量或速度後設資料、視覺子目標，從混合資料中的不同執行方式裡選擇更明確的行為。

這不是普通聊天提示直接修改馬達參數。模型在訓練階段就接觸這些上下文，並隨機省略部分訊號，因此推論時動作策略能對不同條件作出反應。

上下文訊號	規定內容	示例
任務指令	整體目標	擦拭檯面
子任務語言	下一語意步驟	開啟抽屜
片段後設資料	質量、速度、策略	採用快速且成功的方式
子目標影像	近期未來狀態	展示期望物體位置

多種經驗需要帶著上下文一起學習

論文描述的資料包括機器人示範、含失敗的自主執行、人類第一人稱影片和網路多模態資料。詳細上下文標籤幫助模型區分好壞策略，而不是把互相沖突的動作平均在一起。

架構延續π*0.6 與 Recap 路線和 MEM 路線，組合 VLM 骨幹、影片歷史記憶和動作專家。輕量世界模型生成的子目標影像，用來補充語言難以準確表達的空間狀態。

人工語言輔導與後續自主執行是兩段證據

π0.7 論文的空氣炸鍋實驗中，一條簡短零樣本指令只完成了部分操作。逐步語言輔導提高了表現，團隊隨後用這些輔導記錄微調高層策略，讓它自動生成子任務。

因此，人工邊教邊做的試驗和後續自主執行必須分開描述。把輔導階段剪進影片，再聲稱基礎模型從一開始就獨立規劃了全部步驟，會誇大結果。

公開實驗	觀察到的能力	需要保留的限制
空氣炸鍋	藉助語言輔導組合新裝置任務	最初零樣本沒有完成
雙臂 UR5e 疊衣	目標機器人無該任務資料時遷移	只覆蓋指定形態和任務
咖啡、疊衣、紙箱	通用模型比較指定專用策略	不代表所有操作任務領先
多樣語言指令	細粒度指令跟隨	不是無限制安全自然語言控制

未見任務仍然來自已有知識的重新組合

即使評測機器人沒有見過完整任務，相關物體、動作和語意也可能存在於其他機器人、人類或網路資料中。組合泛化是重新拼接已有元素，不是脫離所有先驗知識行動。

閱讀結果時應問清：被留出的是指令、物體、場景、機器人形態，還是完整任務組合。機器人 VLA 評測指南能幫助判斷不同劃分的證據強度。

詳細論文公開不等於通用商業 API 上線

2026 年 4 月的官方文章和論文介紹了模型與實驗，並邀請研究或應用合作。它們沒有宣佈面向所有開發者的自助商業 API、完整支援機器人列表或服務等級。

整合方需要詢問模型或檢查點的獲取方式、算力、控制頻率、安全介面和機器人適配工作。公開影片和論文不能被寫成已經可以買到的標準產品。

本地測試既要看完成率，也要看是否真的可調

設計成對提示：任務目標保持不變，只改變速度、策略或子目標。測量實體軌跡是否按要求變化，同時保持成功率並遵守工作空間限制。

再對留出物體和環境做重複試驗，記錄恢復與介入。機器人動作資料指南可幫助設計軌跡紀錄，避免把精選影片當成穩定的調控能力。

評估時應固定起始姿態、物體位置、相機視角和安全限制，只改變一項控制指令。隨後比較軌跡差異、峰值速度、完成時間、成功率和人工介入次數，並報告異常值，才能證明模型確實按指令改變行為，而不是隨機波動。每個條件至少重複多輪，並公開失敗樣本、停止規則與置信區間；否則一次順利展示無法區分可控策略和偶然成功。跨機器人比較時還要說明末端效應器、控制頻率與任務容差，不能只比較剪輯後的完成影片。

常見問題

π0.7 為什麼被稱為可調控？

因為它把子任務語言、策略後設資料和子目標影像作為訓練上下文，提示既能規定任務，也能規定執行方式。

π0.7 是否零樣本完成了所有未見任務？

沒有。官方把結果稱為組合泛化的早期跡象，空氣炸鍋的首次零樣本嘗試也未完成，後來透過語言輔導改進。

開發者現在能呼叫公開的π0.7 API 嗎？

官方文章和論文邀請合作，但沒有宣佈面向公眾的自助商業 API。

已核驗的官方資料

• Physical Intelligence π0.7 研究文章
• Physical Intelligence π0.7 論文
• Physical Intelligence π*0.6 與 Recap 文章
• Physical Intelligence 多尺度具身記憶論文

最後查核：2026 年 8 月 7 日