π₀（Pi-Zero）是由美国 Physical Intelligence 公司（原 Google DeepMind 机器人核心团队）开发的首款工业级连续动作生成视觉 - 语言 - 动作模型（VLA），于 2024 年 10 月 31 日正式发布。其核心设计目标是实现跨机器人形态、跨通用任务的灵巧运动控制。

区别于 SigLIP、CLIP 这类视觉-语言对齐模型，DINOv2 不依赖文本，专注于学习图像本身的视觉结构信息，擅长捕捉：物体边缘、空间位置、相对距离、姿态角度、几何拓扑等精细空间特征，极其适配机器人精准操作、深度估计、图像分割等任务。•DINOv2：侧重空间与结构，输出精准几何、位置、边缘、姿态特征，解决机器人“看得准、定位稳”的问题，支撑精准抓取、对齐、放置等操作。•强泛化、零微调可用：预

OpenVLA 是一款完全开源的视觉 - 语言 - 动作模型（VLA），旨在推动通用机器人操作策略的发展。其架构设计复用了成熟的预训练基础模型，围绕三大核心目标展开：多模态信息的有效融合、复杂任务的端到端推理、以及离散输出与连续机器人控制动作的适配转化。双流视觉编码器：并行提取 DINOv2 空间特征与 SigLIP 语义特征，沿通道维度拼接实现互补融合；投影层（Projector）：通过两层感知