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）
外媒报道 Physical Intelligence 正洽谈新一轮融资，计划募集至少 10 亿美元，目标估值约 200 亿美元。该公司成立于 2024 年，此前已完成约 7000 万美元种子轮、4 亿美元、6 亿美元和约 10.5 亿美元融资，估值从 24 亿美元升至约 112 亿美元。
关注价值：对比 Physical Intelligence 与 Skild AI 两种商业化节奏，读者可据此判断机器人基础模型从演示走向付费部署的难点。
Physical Intelligence 宣布 Pi API 进入测试版，向更多团队开放接入。此前该公司已与多个行业的企业合作，把模型适配到各自的机器人及应用上，覆盖采摘草莓到组装服务器等任务。
Physical Intelligence 于 10 月 13 日发布 Pi API beta，开发者可上传数据、在官方托管的算力与基础设施上微调 π 系列模型，并通过托管网关调用微调后的模型做推理。
关注价值：原文披露了托管微调与推理的完整流程和早期合作方迭代周期，可据此判断机器人基础模型的分发方式变化。
Physical Intelligence 在 X 上对其合作方 Ultra Robotics 宣布 5000 万美元 A 轮融资表示祝贺。据 Ultra Robotics 原帖，公司本轮共宣布 6200 万美元融资，其中 A 轮 5000 万美元由 Framework 领投，并称部署是机器人落地的瓶颈，重点在于让机器人进入开放环境、持续运行并取得共事者的信任。Physical Intelligence 称 Ultra 是通用机器人基础模型与真实世界部署结合的一个例子。
Physical Intelligence 发布通用机器人模型 π0.7，称其在泛化能力上出现跃升。该模型通过任务语言、速度与质量元数据、控制模态标签和视觉子目标等多模态提示统一利用不同机器人数据、人类视频与自主数据，单模型在叠衣物、做浓缩咖啡、折箱子等任务上达到或超过经 RL 训练的 π*0.6 专用模型。
关注价值：π0.7 把多模态提示统一为一个可控接口，读者可据此判断机器人基础模型的泛化路线是否真在向 LLM 式组合能力靠拢。
Physical Intelligence 提出 RL tokens（RLT）方法，在 VLA 上增加一个 RL token 作为紧凑接口，让小型 actor 和 critic 网络在机器人上实时在线强化学习，无需微调整个模型。
关注价值：RLT 把在线强化学习压缩到数小时真机数据内，为 VLA 在精密操作阶段的快速适配提供了一条可复用路径。
Physical Intelligence 提出多尺度具身记忆方法 MEM，为 π0.6 模型同时加入短期原始观测记忆和长期自然语言笔记，使模型能处理最长十五分钟的任务。
关注价值：多尺度记忆让 VLA 在十五分钟级任务上保持进度与纠错，为长程操作提供可复用的记忆设计思路。
Physical Intelligence 提出把通用机器人基础模型做成可复用的物理智能层，让开发者像调用 LLM API 一样构建机器人应用。
关注价值：两家合作方给出真机部署数据，可据此判断机器人基础模型作为通用智能层的实际成熟度。
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。
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 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。