Physical Intelligence 用机器人奥运任务测试 π 0.6 微调能力
Physical Intelligence 基于 π 0.6 模型微调，尝试 Benjie Holson 提出的“机器人奥运会”日常操作任务，在 5 类任务中 3 类达到金牌任务水平、2 类达到银牌任务水平，多数任务数据采集不足 9 小时。
关注价值：原文用第三方提出的日常操作任务清单检验π 0.6微调效果，并给出与无机器人预训练基线的对比，可据此判断通用机器人预训练对下游任务的实际作用。
试运行：收录范围与分类仍在校准，更新可能延迟。 最近内容更新：2026-11-04 17:28（北京时间）
#VLA
Physical Intelligence精选AI 评分6666
逐际动力新闻精选AI 评分6262 逐际动力发布多形态具身机器人 TRON 2，4.98 万元起开放预订
逐际动力推出多形态具身机器人 TRON 2，一个本体可切换双臂、双足、双轮足三种构型，并支持人形、四足等形态重构，售价 4.98 万元起，即日起开放预订。双臂为 7-DoF 类人构型，臂展 70 cm，双臂负载 10 kg、机身极限负重 60 kg，适配 Pi 0.5 及 ACT，并围绕餐品制作、桌面清理等 10 个家庭操作任务提供数据集、模型训练及算法部署示例。
关注价值：TRON 2 把双臂、双足、双轮足收进一个模块化本体，并给出 VLA 任务示例与部署工具链，可作为判断通用硬件平台路线的样本。
Physical Intelligence精选AI 评分7676 Physical Intelligence 研究：VLA 模型随预训练规模出现人类到机器人迁移
Physical Intelligence 在研究中发现，视觉-语言-动作（VLA）模型随机器人预训练数据规模扩大，会出现从人类视频到机器人任务的迁移能力。团队用 π0.5 做简单的人机联合微调，把人类视频中的动作表示为 3D 手部位置，在 4 个仅由人类数据展示的泛化场景中性能提升约 2 倍，且未使用专门的迁移机制。
关注价值：该研究显示人类视频到机器人的迁移随机器人预训练数据规模扩大而出现，为降低真机数据依赖提供了一条可复用路径。
Physical Intelligence精选AI 评分8585 Physical Intelligence 发布 π*0.6：用 Recap 从经验中学习的 VLA
Physical Intelligence 发布基于 π0.6 的视觉-语言-动作模型 π*0.6，采用 Recap 方法结合示范、遥操作纠错与强化学习，在自主经验上训练后部分最难任务的吞吐量提升一倍以上、失败率可降低一半以上。
关注价值：原文给出三个真实任务上的吞吐与成功率对比，可据此判断强化学习与纠错数据对 VLA 可靠性提升的实际幅度。