本文提出Zero-WAM，一种基于人类视频的上下文学习机器人模型，实现零样本跨任务泛化。通过构建HumanGen数据集（8.6K任务，74.2K人机配对样本），利用机器人轨迹自动生成语义匹配的人类视频，解决数据稀缺问题。创新性提出“上下文未来片段预测”（IFP）训练目标，迫使模型依赖视频提示而非捷径，提升对未见任务的泛化能力。该工作推动具身智能向大模型时代迈进，验证了大模型在机器人领域的强大潜力。

摘要： π0.6是PI公司提出的新一代视觉-语言-动作（VLA）模型，通过强化学习（RL）从自主经验中提升性能。其核心框架RECAP结合了离线RL预训练、在线数据采集与专家干预，利用分布式价值函数评估任务进展，并通过优势条件策略优化动作选择。实验表明，该方法在复杂任务（如折叠衣物、制作咖啡）中使吞吐量提升2倍以上，失败率降低50%，实现了长时间稳定运行。相比传统模仿学习或策略梯度方法，π0.6通过

UniTracker是一个用于人形机器人全身运动跟踪的统一框架，通过集成条件变分自编码器(CVAE)来增强动作多样性和全局一致性。该框架采用三阶段训练：基于特权观测的教师策略训练、部分观测的学生策略学习，以及针对特定动作的快速微调。研究团队从AMASS数据集中筛选并重定向动作数据，使用SMPL模型参数表示人体动作，并通过两阶段方法将其适配到机器人模型。相比传统方法，UniTracker能更好地处理

通义千问Qwen3系列大模型在架构、训练和数据方面实现全面升级。该系列包含6个稠密模型和2个MoE模型，其中2350亿参数的旗舰模型Qwen3-235B-A22B在多项基准测试中超越同类产品。模型采用分组查询注意力、SwiGLU等先进架构，通过三阶段预训练（通用、推理、长上下文）处理36万亿token的多语言数据。后训练创新性地引入"思维控制"和"强到弱蒸馏&quot

摘要 Physical Intelligence公司提出了一种实时动作分块技术(RTC)，解决了视觉-语言-动作模型(VLA)在高精度任务中的延迟问题。该技术将异步动作分块建模为修补问题，在执行前一个动作块的同时生成下一个兼容的动作块，有效避免了传统分块方法在切换点产生的不连续性。RTC适用于基于扩散或流的可变长度动作模型，无需改变现有训练流程。实验表明，该方法能实现连续稳定的控制信号，支持如点燃

本文详细剖析了LeRobot框架中π0模型的实现与优化。π0是一个结合视觉-语言-动作的多模态模型，用于通用机器人控制，核心包括： 架构设计 基于PaliGemma视觉语言模型与Gemma专家模型的融合 采用流匹配技术生成机器人动作序列 支持分组查询注意力(GQA)优化推理效率 关键实现 转换工具：将JAX实现的模型转换为PyTorch格式 配置系统：统一管理输入/输出结构、归一化策略和训练参数

今天一早，朋友圈刷到π0出0.5版本了，之后，我组建的「七月具身：π0复现微调交流群」群中，也在讨论这事，并说：七月老师要更新博客了这不就来了现在具身模型的发展 还不如大语言模型那样成熟π0 发新版了，意味着和Google的RT(大概率是不更了)，以及figure(没开源过)等等——还有别的一些模型 没列举全，进入了少数迭代型的具身模型的行列。

如之前的文章所述，我司「七月在线」正在并行开发多个订单，目前正在全力做好每一个订单，因为保密协议的原因，暂时没法拿出太多细节出来分享​但可以持续解读我们所创新改造或二次开发的对象，即解读paper和开源库「当然 有些paper/库还没开始用，但也可以提前解读，作为关注了解而对于我司人形开发的订单，背后的机器人多半基于这三家：宇树、傅利叶、乐聚且无论咱们是用傅利叶集成的lerobot——，还是宇树集

25年2.4日，几个月前推出π0的公司Physical Intelligence (π)宣布正式开源π0及π0-FAST，如之前所介绍的，他们对用超过 10,000 小时的机器人数据进行了预训练该GitHub代码仓库包括4个方面：简言之，就是π0本身的代码和权重、特定平台上特定任务的微调checkpoint、推理代码、微调代码。

ChatGPT出来后的两年多，也是疯狂写博的两年多，年初deepseek更引爆了下从曾经15年创业后每年2-6篇的，干到23年30篇、24年65篇，25年前两月18篇，成了我在大模型和具身的原始技术积累如今一转眼已到25年3月初，纪念这两年多，然近期和团队接了好几个大客户订单，使得3月起 不得不全力加速落地，自己也得每天抠paper、搞代码，今年可能没法像去年那样干65篇，不过，我还是争取保持月月