一个专为机器人学习设计的大规模基准测试和学习环境。

图 1：OpenVLA-OFT+ 在双臂 ALOHA 机器人上的运行展示。我们的优化微调（OFT）方案通过提升推理效率、模型质量以及输入输出灵活性，增强了微调后的 OpenVLA 策略。由此产生的 OpenVLA-OFT+ 策略能够在真实世界的双臂机器人上以高控制频率（25 Hz）执行各种灵巧的操控任务。“+”后缀表示集成了特征级线性调制（FiLM）[37]，这在对准确理解语言至关重要的任务中，强

部署时使用外部相机和腕部相机输入 π₀.₅，异步生成 action chunk，控制线程按固定周期执行，推理线程后台滚动更新 chunk。Openpi 仓库里没有完整复现π₀.₅ 的所有训练头，目前主要支持 flow matching head，并不完全支持论文中的所有 hybrid training head。假设你要把一个 7 维动作的新机器人接入 π₀.₅ 微调，有 1 个外部相机、1 个腕

● 效率极低：每个动作都要逐 token 自回归生成，一步动作需要多次 forward pass -> 推理速度只有 4~10Hz（论文里基准是 4.2Hz）它不是一个全新的模型，而是一个微调方案，让你在原 OpenVLA-7B 的基础上，用极低的代价获得速度更快、成功率更高、更灵活的机器人策略。最新的生成式方法，已成为 π₀、GR00T-N1 等顶级 VLA 的主力解码方式，被认为是 Diffu

2.路径的”随机性“：扩散模型特有的"随机轨迹"，如果使用扩散模型（基于随机微分方程 SDE），那么不仅起点是随机的，连你在中间走的每一步都包含随机。不同的是，扩散模型在每一步都添加一项随机噪声，这使得它的随机性更强，且如果某一步生成的像素点不太对劲，后续的噪声注入和纠错机制能把它“拉”回正确的数据分布上，因此。ODE 的解，指的是粒子从 t = 0 开始，严格按照指示牌一步步走，最终在 t =