人形全身 VLA 模型Ψ0：基于人类视频预训练与 MM-DiT 后训练方案

从第一人称视频中学习 数据稀缺依然是训练 VLA 的根本瓶颈，因为遥操作数据的采集效率较低，且在规模化时成本高昂。相比之下，人类视频数据蕴含了丰富的人与物体交互的先验知识，因此提供了一种可扩展的替代方案。 最新方法，如 EgoVLA 和 In-n-On，在人类视频与机器人数据上对模型进行联合训练，以预测统一的人类手腕与手部动作，随后在推理阶段通过逆运动学（IK）将这些预测映射为机器人动作。 类似地，H-RDT 训练了一个大型 diffusion transformer（DiT），在末端执行器空间中预测手臂与手部动作。然而，将人形机器人与非人形机器人数据混合起来端到端联合训练模型并非最优做法，因为模型必须同时学习两种本质上不同的动作分布。 相反，作者指出了一条关键但被忽视的训练路径：在通过'下一步动作预测'完成预训练以学习任务语义和视觉表征之后，再对动作专家进行后训练，使其在关节空间中直接建模动作，从而避免联合训练带来的低效。

1.2 Ψ0 基础模型：涉及架构、训练方案、RTC、全身摇操数采

在本节中，作者介绍Ψ0(Psi-Zero)，一种用于类人灵巧运动操作的 VLA 模型。 给定自然语言任务指令 $\ell$ 和当前观测 $\mathbf{o}{t}$，作者的模型预测全身动作片段 $\mathbf{a}{t: t+H}$。

动作 $\mathbf{a} \in \mathbb{R}^{36}$ 被定义为： $$\left{\mathbf{q}{\text {hand }}, \mathbf{q}{\text {arm }}, \text { torso }{\text {rpy }}, h{b}, v_{x}, v_{y}, v_{\text {yaw }}, p_{\text {yaw }}\right}$$ 其中 $\mathbf{q}{\text {hand }} \in \mathbb{R}^{14}$ 和 $\mathbf{q}{\text {arm }} \in \mathbb{R}^{14}$ 分别为双手和手臂关节；$\text { torso }{r p y} \in \mathbb{R}^{3}$ 为躯干横滚、俯仰、偏航；$h{b} \in \mathbb{R}$ 是类人的底座高度；$v_{x}, v_{y} \in \mathbb{R}$ 是水平线速度；$v_{\text {yaw }} \in \mathbb{R}$ 表示绕竖直方向的角速度；$p_{\text {yaw }} \in \mathbb{R}$ 是目标偏航转角。

观测 $\mathbf{o}{t}$ 包含当前的头部相机图像 $\mathbf{I}{t}$ 和全身本体感觉状态 $\mathbf{q}_{t}$，包括上身关节状态、躯干横滚、俯仰、偏航以及底座高度。

总之，作者采用基于 RL 的控制策略来控制数据收集和策略评估全过程中的下肢和躯干关节。

1.2.1 模型架构

Ψ0 是一个采用三重系统架构的基础模型，遵循以往工作。 8 自由度的下肢动作 $\left{\text { torso }{r p y}, h{b}, v_{x}, v_{y}, v_{\text {yaw }}, p_{\text {yaw }}\right}$ 被传递给 system-0，一个基于 RL 的跟踪策略。作者采用现成的控制器 AMO，它将这些输入映射为 15 自由度的下肢关节角 $\mathbf{q}{\text {lower }} \in \mathbb{R}^{15}$，包括 3DoF 腰部和 12 自由度腿部关节。再加上 28 自由度的上肢关节 $\left(\mathbf{q}{\text {arm }}, \mathbf{q}_{\text {hand }}\right)$，系统输出 43 自由度动作以实现全身控制。

如图 2 所示，高层策略由两个端到端训练的组件组成：

一个视觉 - 语言骨干网络作为 system-2。作者使用最先进的视觉 - 语言基础模型 Qwen3-VL-2B-Instruct 作为 system-2。 和 一个多模态扩散 Transformer（MM-DiT）动作专家作为 system-1。动作专家被实现为一种基于流的 MM-DiT，灵感来自 Stable Diffusion 3，包含大约 5 亿个参数。与朴素的基于 DiT 的动作头相比，这种设计能够更高效地融合动作和视觉 - 语言特征。最终在以 VLM 骨干网络的隐藏特征为条件的情况下，动作专家预测未来的全身动作片段 $\mathbf{a}_{t: t+H}$。

1.2.2 训练方案：预训练、后训练、微调

作者提出了一种高效的训练方案，用于从人类视频和真实机器人数据中学习类人机器人行走 - 操作（loco-manipulation）技能。 整体训练过程包含三个阶段：

1. 第一阶段，在大规模、高质量且多样化的人类第一视角视频上预训练 VLM 主干网络；
2. 第二阶段，在跨任务的真实类人机器人数据上对基于流的动作专家（flow-based action expert）进行后训练；
3. 第三阶段，使用少量任务域内数据对该动作专家进行微调，从而实现对新任务的快速适应。

首先，对于在第一人称人类视频上进行预训练 训练类人基础模型面临显著的数据稀缺瓶颈。相比真实世界机器人数据，人类第一人称视频的扩展成本要低得多，因此提供了一种很有前景的替代方案。因此，作者利用 EgoDex，其中包含约 829 小时的人类第一人称视频，记录了人手执行多种灵巧操作任务的过程。且为了进一步缓解人类视频与机器人观测之间的视觉差异，作者加入了 HumanoidEveryday，其中包含 31 小时的类人数据，涵盖 260 种多样任务，从人 - 物体交互到对可变形和关节物体的操作。

然而，直接训练模型自回归地预测多个高维动作块在计算上非常昂贵，并且会极大地减慢预训练过程。作者的关键见解是，预训练 VLM 骨干网络的目标是学习语言指令的任务语义以及用于下游真实机器人操作的视觉表征。对于这样的目标，预测单个下一步动作就足够了。

因此，作者训练 VLM 仅预测一个单步动作 $\mathbf{a}{t}$，而不是 $\mathbf{a}{t: t+H}$，这需要少得多的计算。作者使用 FAST 将连续动作离散化为离散的 token。即从 EgoDex 中随机抽取的 50 万条动作数据上训练 FAST tokenizer。最终训练得到的分词器实现了平均 L1 重建损失为 0.005，并将每个动作序列从 48 个 token 压缩到可变 token 长度 $N \approx 20$。

然后，VLM 以自回归方式训练来预测下一个动作 token，即最大化 $p_{\theta}(\mathbf{a})=\prod_{t=1}^{N} p_{\theta}\left(\mathbf{a}{t} \mid \mathbf{a}{<t}, \ell, \mathbf{o}{t}\right)$。且对人手和机器人末端执行器使用统一的动作表示。具体而言，任务空间中的 48 自由度动作被定义为 $\mathbf{a} \triangleq\left{\mathbf{a}{l}, \mathbf{a}{r}\right}$，其中每个 $\mathbf{a}{l}$ 或 $\mathbf{a}{r} \in \mathbb{R}^{24}$ 为 $\left{\mathbf{T}{\text {wrist }}, \mathbf{P}{\text {thumb }}, \mathbf{P}{\text {index }}, \mathbf{P}{\text {middle }}, \mathbf{P}{\text {ring }}, \mathbf{P}_{\text {pinky }}\right}$。其中 $\mathbf{T} \in\mathbb{R}^{9}$ 是一个 9 自由度的手腕位姿向量，由 3D 位置和 6D 旋转组成；每个 $\mathbf{P} \in \mathbb{R}^{3}$ 是一个 3D 指尖位置，因为有五个手指，所以对应五个 P。

这样的统一动作表示使人类数据和机器人数据的联合训练成为可能，并实现了稳定训练。

其次，对于超参数 作者使用 DeepSpeed 训练完整的 VLM 骨干网络，遵循原始 Qwen3-VL 的训练设置。语言骨干、MMprojector 和视觉塔的学习率分别设为 $1 \times 10^{-4}$, $1 \times 10^{-5}$ 和 $1 \times 10^{-5}$，并在整个预训练过程中保持不变。且作者观察到默认的 $1 \times 10^{-6}$ 学习率对于有效收敛来说过小。EgoDex 中的默认图像分辨率为 1920 × 1080，这会导致内存占用极高；因此，作者将图像缩放到 360 × 240。最后使用 64 块 A100 GPU 对 Qwen3-VL-2B-Instruct 变体进行预训练，全局 batchsize 为 1024。训练大约需要 10 天以达到 230k 步，其中前 200k 步仅在 EgoDex 数据集上训练，剩余的 30k 步仅在 Humanoid Everyday 数据集上训练。

首先，对于 FAST tokenizer 作者使用 H-RDT 中的数据处理脚本获得了一个 48 自由度的任务空间动作表示，以及相应的数据集统计信息。动作数据从原始的 30 Hz 下采样到 10 Hz。作者发现，原始开源的 FAST tokenizer 在重建损失方面表现较大 ($0.583 \times 10^{-4}$)，特别是在有噪声的 token 设置下。为了解决这一问题，作者使用 500,000 个随机采样的动作从头训练了 FAST tokenizer，从而导致了更长的 token 长度。动作使用数据集的 1st 和 99th 分位数进行归一化。动作时域长度、词汇表大小和 scale 分别设置为 1、2048 和 100。拟合前后动作重建性能对比如表 II 所示。

其次，对于在跨任务真实人形数据上的后训练 在训练完 VLM 骨干网络后，作者冻结其参数并从头开始训练动作专家。以从 VLM 骨干中提取的隐藏特征 $\mathbf{z}{t}=f{\theta}^{v l m}\left(\mathbf{o}_{t}, \ell\right)$ 和均匀采样的流动时间步 $\tau \in[0,1]$ 为条件，流匹配训练目标为——定义为公式 2。

其中 $\epsilon$ 是高斯噪声，$\mathbf{a}{t}^{\tau}=\tau \mathbf{a}{t}+(1-\tau) \boldsymbol{\epsilon}$ 是加噪后的动作。且作者改编了 MM-DiT 架构来实现动作专家网络 $v_{\rho}^{\text {flow }}$，如图 3 所示。

具体来说，模型使用时间条件特征 $\tau$ 分别调制动作（A）特征和视觉 - 语言（VL）特征。在每个 transformer 块中，动作 token 和 VL token 执行联合全局注意力，这相比于朴素的 DiT 有利于更有效地融合视觉信息。

对于数据处理 作者使用 Humanoid Everyday（HE）数据集在联合空间中对动作专家进行后训练。由于 HE 包含两种不同的具身形式——使用 Dex3-1 的 G1 和使用 Inspire Hand 的 H1——它们的手指关节形态和自由度不同，作者通过重新排序默认的关节索引来对齐动作表示。得到的动作表示具有 28 个自由度（DoF），其中手部为 14 个自由度，手臂为 14 个自由度。状态表示也以类似方式进行处理。为了在不重新初始化状态和动作投影器的情况下实现动作专家的未来微调，作者将动作向量和状态向量分别填充至 36 自由度和 32 自由度。被填充的这些维度对应的是在 HE 数据集中不存在的下肢控制信号。

对于超参数 在后训练过程中，VLM 主干网络被冻结，仅使用恒定学习率 $1 \times 10^{-4}$ 优化动作专家。全局批大小设为 2048，训练进行 30k 步。在 32 张 A100 GPU 上训练大约耗时 30 小时。输入图像被下采样到 320 × 240。且作者对扩散时间步 $\tau \in[0, 1]$ 采用均匀采样，并在真实环境实验中观察到与其他采样策略相比没有性能差异。

最后，对于在域内遥操作数据上进行微调 在已经完成 VLM 预训练和动作专家后训练的基础上，作者的模型可以使用少量域内数据进行端到端的进一步微调，从而快速学习长时域、高灵巧性的行走 - 操作一体化任务。大多数任务在 30Hz 频率下的步数超过 2,000 步，使其真正成为长时域任务。每个任务包含三到五个子任务，每个子任务对应一种技能，例如抓取或推动。

比如在八个真实世界任务上对模型进行评估（如图 6 所示）。

每个任务都提出了不同的挑战：有的需要精确的机械臂协调，有的则要求长距离导航。

对于真实世界任务，作者仅微调动作专家，同时保持 VLM 骨干网络冻结。每个真实世界任务由 80 个远程操作数据的 episode 组成。且将全局批大小设置为 128，并针对每个任务训练 40k 步。使用余弦学习率调度器，初始学习率设置为 $1 \times 10^{-4}$。状态和动作使用各自的最小值和最大值进行归一化。图像分辨率和扩散时间步采样与后训练中的设置相同。

1.2.3 实时动作分块 RTC

人形机器人在控制过程中需要平滑且具备快速反应的能力，尤其是在执行长时域、灵巧操作任务时。然而，现有的 VLA 通常包含数十亿个参数，这不可避免地由于推理延迟而引入'停下来思考'的行为。

1. 作者的Ψ0 模型同样包含超过 25 亿个参数，单次前向传播大约需要 160 ms。为了在存在这种延迟的情况下仍然实现平滑的策略展开，作者采用了训练阶段的实时分块（RTC），遵循文献。

利用 RTC，每次动作预测都以先前已经执行的动作块为条件，并输出一个一致的未来动作块，如图 4 所示。

为了在训练过程中真实地模拟推理延迟，作者随机从前 $d=\operatorname{uniform}\left(0, d_{\max }\right)$ 个 token 中移除扩散噪声，并在式 (2) 的损失计算中将其掩蔽。在这里，$d_{\max } \in[0, H-s)$ 表示以时间步为单位的最大推理延迟，而 H 和 s 分别对应动作分块预测视界和执行视界。

系统实现 作者在图 9 中展示了实时动作分块系统的设计。系统由客户端（负责观测收集和动作执行）和服务器端（负责控制与推理）组成。控制循环（30Hz）用于协调观测更新与动作下发，而推理循环则异步运行，在 $t \ge s_{min}$ 时计算下一段动作分块，从而实现分块之间的无缝衔接，避免因推理造成的中断。

该系统由两个组件构成：用于获取观测并执行动作的客户端，以及用于控制与模型推理的服务器端。系统的整体运行频率由服务器端的控制循环（Control Loop）决定，控制循环以 30Hz 的频率运行。在控制循环的每一个时间步中，观测会被更新，系统查询一个动作并将其发送至客户端执行，客户端执行后生成新的观测。为了保证动作执行不中断，模型推理通过推理循环（Inference Loop）以异步方式相对于动作执行进行。推理循环与控制循环共享动作块、观测以及时间步计数器。当当前动作块的执行进度超过某一阈值（$t \ge s_{min}$）时，推理循环被触发以获得下一个动作块。系统会在前一个动作块尚未完全执行完毕之前切换到新的动作块，从而确保由于推理延迟不会在相邻动作块之间产生系统中断。

对于训练阶段的实时分块（RTC） 除了用于训练之外，Ψ0 还支持在部署阶段进行实时控制。现代 VLA（视觉 - 语言 - 动作模型）通常拥有数十亿参数，在采用朴素的同步推理策略时会带来显著的推理延迟。具体而言，在朴素的'stop-think-execute（停止 - 思考 - 执行）'策略下，rollout 过程在相邻动作块之间会出现明显的停顿甚至抖动。在动作块之间引入停顿不仅会减慢 rollout 过程，还会造成训练与评估之间的偏差，从而导致更高的失败率。

一个直接应对该问题的方法是朴素的动作分块（naive action chunking）：在前一个动作分块尚未完全执行完毕之前，就启动下一次推理，一旦新的分块可用便切换到该分块。虽然这种策略缓解了推理延迟问题，但由于随机性和不连续性，它会在分块之间引入抖动式的切换，这对 rollout 性能的影响甚至可能更为严重。

为了解决这一局限，最新工作探索了在分块之间保持连续性的方法。在这些方法当中，采用测试阶段动作修补或训练阶段的实时分块方法表现出最佳性能。在实践中，作者发现他们的模型在测试时无法被稳定地引导；因此，作者实现了训练阶段的实时分块。与只需在推理过程中校正由动作头预测的速度 v（在 flow matching 中），或噪声ϵ（在扩散模型中）的测试阶段 RTC 不同，训练阶段 RTC 需要在训练阶段修改模型。具体而言，作者随机遮蔽前 $d \in\left[1, d_{\max }\right}$ 个动作 token，其中 $d_{\max }$ 在他们的实验中被设为 6。被遮蔽的动作 token 不参与损失计算，如图 8 所示。

模型被训练为在前面的干净动作 token 条件下预测后续动作，从而能够生成与这些干净动作 token 平滑连续的剩余 token。在推理过程中，尚未被执行的动作步被视为干净 token，并被用来生成下一个动作分块。

1.2.4 面向行走 - 操作一体化的远程操作定制

高效地学习一个长时域的步行–操作（loco-manipulation）任务，在很大程度上取决于用于微调的、同分布（in-domain）数据的质量。

1. 然而，现有的远程操作系统主要是为运动控制设计的，缺乏灵巧操作所需的稳定性和适应性。要为类人机器人实现有效的步行–操作远程控制系统，需要在全身表达能力、行走稳定性以及操作简洁性之间取得平衡。
2. 现有的端到端全身远程操作流水线，通常是通过强化学习将人类全身动作直接映射为类人机器人控制信号，但由于跟踪信号存在噪声以及全身运动模式不稳定，这类方法往往鲁棒性有限。此外，这些系统依赖手持控制器，并将灵巧的手部控制降维为类似夹爪的低维指令，从而限制了操作的表达能力。
3. 另一方面，通过显式底座指令将操作与行走解耦的系统提升了下肢的稳定性，但通常需要额外的控制器或多名操作员，从而降低了其实用性。

为了解决这些局限性，作者提出了一种定制的远程操作框架，该框架将上半身姿态跟踪、灵巧操作和运动控制指令明确解耦，同时仍支持单个操作员对整个人形机器人实施全身控制。

1. 通过使用一小套可穿戴追踪器，并将行走运动与原地的全身动作分离，作者的框架实现了由单一操作者完成的人形机器人远程操控，并在多样化任务场景中提升了行走运动的稳定性。此外，腕部追踪器与 MANUS 手套的组合缓解了基于视觉的 VR 追踪中常见的遮挡和视野外问题，从而实现了精准且可靠的上半身与手部追踪。这些设计选择共同支持在人形机器人上实现稳健且实用的全身远程操控，以完成复杂的行走 - 操作一体化任务。

如图 5 所示，远程操作员的上半身姿态通过 PICO 头显和手腕腕追踪器进行采集，并实现了一个多目标逆运动学求解器，用于计算人形机器人的手臂和躯干构型。

精细的手指运动通过 MANUS 手套进行采集，从而可以直接控制灵巧手的所有自由度。包括平移速度和转向朝向在内的运动控制指令，则由腰部和脚部追踪器直接推断，并作为高层指令提供给负责下肢稳定控制的强化学习（RL）策略。

有意思的是，PICO 4 Ultra 全能版 Pro 包含：腕部追踪器、腰部追踪器、腿部追踪器。

对于灵巧操作 作者使用 MANUS 手套从遥操作员处获取精确的手指跟踪数据。将拇指、食指和中指的运动重定向到 G1 仿人机器人上的三指灵巧手，从而实现灵巧操作。通过将 MANUS 手套与 PICO 手腕追踪器结合，我们可以直接获得可靠的手部和手腕末端执行器位姿，而无需依赖不稳定的基于视觉的 VR 手部追踪。该设计避免了常见的遮挡和超出视野问题，为全身灵巧操作提供了更精确的手部姿态估计。

对于运动能力 与先前的方法（如 TWIST2 和 SONIC）不同，作者并不直接将 PICO 跟踪系统提供的全身 SMPL 运动重定向到人形机器人上。作者发现，端到端的全身跟踪与重定向往往不够鲁棒，经常导致足部漂移、下肢运动不稳定，以及过多细小的纠正步伐，从而阻碍策略学习。

相反，作者通过高层指令 $\left(v_{x}, v_{y}, v_{\text {yaw }}, p_{\text {yaw }}\right)$ 来控制行走。PICO 腰部追踪器估计操作者的平移速度 $\left(v_{x}, v_{y}\right)$，并将其映射到机器人的底盘平移上。此外，脚部追踪器提供信号，以计算用于调节人形机器人基座朝向的偏航指令 $\left(v_{\text {yaw }}, p_{\text {yaw }}\right)$。且还应用截断与滤波来抑制由人体自然晃动引起的噪声，以确保准确的行走指令估计。

总体而言，作者认为他们的远程操作流程使单个操作员即可实现稳定的人形机器人全身远程操控，并执行复杂的灵巧行走 - 操作一体化任务。

对于全身控制 如图 10 所示，作者使用 PICO4U 头显配合两个腕部追踪器，将头部和手腕的位姿视为三个末端执行器，并求解一个多目标逆运动学（IK）问题。该单操作员遥操作框架通过重定向与多目标逆运动学 IK：将人类上半身的运动映射到机器人手臂和手部控制，而下半身姿态则由基于 RL 的策略生成。

该过程直接生成人形手臂的关节位置 $q_{\text {arm }}$，同时得到包括躯干姿态 $\text { torso }{\text {rpy }}$ 和骨盆高度 $h{b}$ 在内的中间变量，用于调节机器人的上半身姿态。这些中间变量进一步输入到一个低层行走强化学习策略（AMO）中，由其输出下半身的关节状态 $q_{\text {lower }}$。这种分层设计在保持平衡和运动稳定性的同时，实现了协调的全身控制。

1.3 实验

1.3.1 实现

首先，对于硬件平台 在所有真实环境实验中，作者使用 Unitree G1 仿人平台，该平台为全身控制提供了 29 个自由度。此外，每只手臂都配备了一只具有 7 自由度的 Dex3-1 灵巧手。视觉观测由默认的头部安装式 Intel RealSense D435i 摄像头获取。

其次，对于数据准备

1. EgoDex 数据集包含大约 900M 帧，并为上半身人形体提供逐帧的全局变换矩阵，包括 7 个脊柱关节、2 条手臂以及每只手的 21 个关节。为提高预训练效率，所有动作都被转换到当前头部相机的坐标系中，并且将帧率上采样 3 倍。由于 EgoDex 中存在极端离群值，动作数值使用第 1 和第 99 分位数进行归一化。在预训练阶段作者省略状态输入。

作者使用 Humanoid Everyday 数据集进行与任务无关的后训练，该数据集包含大约 300 万帧真实世界遥操作数据。动作被表示为 36 自由度的关节空间向量 $a=\left{\mathbf{q}{\text {hand }}, \mathbf{q}{\text {arm }}, \text { torso }{\text {rpy }}, h{b}, v_{x}, v_{y}, v_{\text {yaw }}, p_{\text {yaw }}\right}$。由于 Humanoid Everyday 只提供上半身运动，作者以类似方式填充缺失的下半身动作分量。状态由当前帧中双手和手臂的 28 自由度关节位置组成，并在未进行归一化的情况下输入模型。

最后，对于训练细节

1. 训练首先通过从 EgoDex 中随机采样 500,000 个动作来拟合一个 FAST tokenizer 开始。使用该分词器在保留的动作数据上的 L1 重构损失约为 0.005，相比使用原始开源 FAST tokenizer 时的 0.01 有所提升。FAST tokenizer 将每个动作序列压缩为 20 个 token，从而加快后续训练的速度。然后，作者在预训练阶段对 Qwen3-VL-2B-Instruct 进行微调，使用 64 张 A100 GPU 训练 10 天。训练形式仅为下一步动作预测 (next-action prediction)，并且避免使用动作分块 (action chunking) 以降低计算开销。学习率固定为 0.0001，全局 batch size 为 1024。
2. 接下来，作者在 Humanoid Everyday 数据集上对包含约 5 亿参数的动作专家 action expert 进行后训练。在该阶段，VLM 主干网络被冻结，学习率固定为 0.0001，全局 batch size 设为 2048。在单个包含 32 张 A100 GPU 的节点上，该阶段大约需要 30 小时。
3. 最后，作者仅针对每个下游任务对动作专家进行 40,000 步微调，使用余弦学习率调度器，初始学习率为 0.0001。

1.3.2 真实环境人形机器人实验

第一，对于任务描述 如图 6 所示。

1. 作者在八个真实世界的长时域操作任务上评估 Ψ0，这些任务涵盖多样的日常场景。任务从简单交互（例如抓取与放置、推动和擦拭）到更加具有挑战性的灵巧操作，这些操作需要精确的手指—物体协调，包括旋转水龙和拉出芯片托盘。
2. 除上半身操作外，这些任务还涉及全身运动，如躯干旋转和下蹲，以及下肢行走和转向。

整体而言，该评测在多个真实环境中，对模型在复杂长时域灵巧行走—操作（loco-manipulation）任务上的性能进行基准测试。

第二，对于评估协议 作者为每个任务收集 80 条遥操作轨迹。所有基线模型都在相同的数据集上进行微调，使用相同的图像观测以及相同的动作和状态表示。

1. 每个长时程任务由三到五个子任务组成，这些子任务涉及灵巧操作、双臂协同和移动。其结果是，策略可能会在早期子任务中失败，从而导致整个 rollout 失败。故为了充分评估每个基线的能力，评估者被允许进行干预并协助策略越过失败的子任务，以便执行可以继续。
2. 因此，作者除了报告整体任务成功率外，还报告各个子任务的成功率。对于每个任务，作者为每个模型执行 10 次 rollout 试验。仅当所有子任务都完成时，才认为一次 rollout 是成功的。所有基线模型，包括Ψ0，都使用相同的客户端代码来控制机器人进行部署。

第三，对于基线 作者针对最新的大多数开源基线，在真实世界环境下进行了全面的基准测试。作者投入了大量精力，为每一种方法复现尽可能优异的结果。

1. π0.5：在具备双机械臂和夹爪的移动机器人平台上展现出很强的泛化能力。然而，已发布的模型与检查点仅支持 30 维的动作空间。为适配人形机器人任务，作者将动作维度扩展到 36，并将动作分块大小设置为 16。相应线性层的检查点权重也进行了填充，以适配扩展后的动作空间。且为弥合原始训练数据与人形机器人之间的形体差异（embodiment gap），作者将学习率从 1e-5 提高到 1e-4，并将全局 batch size 从 32 提升到 128——以获得更好的性能并确保公平对比。且作者对π0.5 DROID 检查点进行微调，并将其转换为 PyTorch 实现。
2. GR00T N1.6：在抓取和行走 - 操作任务中表现出色，并具有稳健的空间泛化能力。作者在发布的代码中使用全部默认超参数进行微调。且从 GR00T N1.6 3B 预训练检查点初始化模型，并在他们的遥操作数据上进行 20,000 步微调，在三块 NVIDIA A100 GPU 上使用全局 batch size 为 24。学习率采用 1e-4 的 cosine 调度方案。由于官方代码库中尚未公开 GR00T N1.6 的 RTC 推理代码，作者采用标准的顺序推理方案：使用与最近一次已执行动作对应的观测来作为条件，预测后续动作。
3. InternVLA-M1：是一个用于空间指向与机器人控制的统一框架，展现出较强的空间推理能力。然而，它仅在空间推理和机械臂数据上进行了预训练，这限制了其在类人任务上的表现。作者从在 RT-1Bridge 数据集上预训练完成的检查点开始，冻结 VLM 主干网络，并在单张 NVIDIA A100 GPU 上，以批大小 64 对动作头进行 30,000 步的微调。在作者的实验中，InternVLA-M1 在连续动作块之间表现出动作抖动，导致执行过程不稳定。
4. H-RDT：是一个拥有 20 亿参数的单个大型 DiT 动作专家模型。作者在一块 NVIDIA A100 GPU 上，以 batch size 为 32 训练该模型 10,000 个训练步。得到的策略在不需要精细运动的任务上表现出色。然而，它在需要在多关节上实现高精度控制的操作任务中表现不佳。
5. EgoVLA：是一个视觉–语言–动作模型，使用 EgoDex 和其他数据源，对第一视角的人类操作视频进行预训练。由于其原始代码库只预测末端执行器的手腕和手部姿态，作者对动作解码器进行了适配，使其输出下游任务所需的机器人关节空间指令。作者在远程操作的下游任务上对预训练的 EgoVLA 进行微调，其训练配置与原始论文中报告的一致：训练 115 个 epoch，有效 batch size 为 16×8×4。在作者的实验中，EgoVLA 在下肢动作指令上的表现有限，这很可能是因为其预训练主要侧重于上肢和手部操作技能的建模，没有为协同下肢运动提供足够强的先。
6. 扩散策略（DP）：在视觉特征提取方面，作者采用预训练的 ResNet-18 作为视觉编码器。且将学习率设置为 1×10−4，全局批大小设置为 32。训练在两块 A100GPU 上进行 40,000 步，每个任务的训练时间约为 15 小时。作者观察到，尽管 DP 可以较好地拟合训练数据，但在大多数任务上仍然失败。作者推测，基于 UNet 的 DP 模型在视觉表征方面容量不足。在推理过程中，作者执行 100 次迭代去噪步骤，将随机噪声逐步转换为可执行的轨迹。
7. 基于 Transformer 的动作分块（Action Chunking with Transformers，ACT）：为了适应类人行走与操作任务，作者将动作头（action head）重新配置为输出 36 维动作，并将 chunk 大小调整为 100，同时将 Transformer 模块初始化为 4 个编码器层和 1 个解码器层的配置，以与公开发布的 ACT 框架保持一致。其他训练超参数（如学习率、批大小和训练步数）则与 DP 保持相同。

第四，与基线方法的比较 如图 7 所示，作者的模型在所有基线方法之上取得了大幅领先。

1. 在全部八个长时域灵巧行走 - 操作任务中，作者的模型表现出最稳定的性能。值得注意的是，它在整体平均成功率上至少比第二佳基线 GR00T-N1.6（最新发布的人形基础模型）高出 40%。
2. 这些结果突显了作者的训练范式在预训练和后训练阶段都仅使用相对少量机器人数据的前提下，依然具有显著效果。对此，作者将这一成功归功于独特的训练配方。一个关键的见解在于，在大规模的人类视频上对视觉语言模型进行预训练，使其能够学习到与下游操作任务相匹配的视觉表示，同时避免了对两个本质上截然不同的分布进行危险且困难的联合训练。

利用从预训练 VLM 中提取的语言与视觉表征，作者进一步仅在联合空间中使用高质量真实机器人数据对动作专家进行后训练，从而使其能够学习到用于具身控制的强先验。更为详细的结果，包括各子任务的分阶段进展以及策略 rollout 视频，均在补充材料中给出。

1.3.3 消融研究

由于算力和时间有限，作者在一项单一的真实世界任务上进行消融研究：将玩具捡起放入盒中并将盒子抬起。该任务由三个子任务组成：

1. 使用右臂拾取玩具饺子并将其放入盒子。
2. 使用左臂拾取玩具河马并将其放入盒子。
3. 双臂一起搬运盒子。

该任务包含多个执行阶段，要求策略既能处理单臂的抓取与放置，又能完成双臂协调。

实时分块行为：由于模型规模庞大，VLA 通常推理速度较慢。当接收到一个用于生成动作的新查询时，推理可能需要超过 200 毫秒，在此期间类人机器人必须暂停以等待动作生成完成，从而在全身控制任务中引入抖动和不稳定行为。一个解决方案是测试阶段的实时分块（test-time real-time chunking）。该方法在推理阶段对基于流（flow-based）的动作生成施加梯度引导，使未来生成的动作与过去的动作保持一致，从而实现关节指令的平滑执行。然而，作者发现模型在测试阶段无法被稳定地引导。因此，作者实现了训练阶段的实时分块（training-time real-time chunking）。作者观察到，实时分块在策略执行过程中能减轻物理碰撞，并在不损害性能的前提下提升策略 rollout 的吞吐量。

MM-DiT 对比 Naive DiT 作者还通过将所提出的 MM-DiT 动作头与用于动作预测的朴素 DiT 进行比较，来做消融实验以评估其有效性。

结果表明，MM-DiT 始终优于该 DiT 变体。这一改进可归因于 MM-DiT 的双调制设计及其联合注意力机制，该机制将来自 VLM 主干的 VL 特征与动作 A 分支表示相结合。总之，作者的分析表明，直接套用最初为文本条件图像生成而设计的朴素 DiT，在用于视觉 - 语言（VL）引导的动作预测时，其约束能力较弱。关于动作专家的更多消融实验结果，详见补充材料。

预训练与后训练的作用 首先，作者研究在他们的设定下，最初在文本生成任务上预训练的 Qwen3-VL VLM 的表现。如表 I 所示，在冻结预训练的 Qwen3-VL 主干网络、仅微调动作头的情况下性能最差，总体成功率仅为 0.2。

这个结果凸显了在人类数据上对 VLM 主干进行预训练以学习如何生成动作 token 的重要性。而在 EgoDex 上进行任务空间下一步动作预测的预训练之后，模型性能有了显著提升。值得注意的是，尽管 VLM 主干被训练来预测的动作表征与下游动作头所使用的表征不同，将其监督为预测下一步 48 自由度（48-DoF）动作，仍然能够使模型学到对机器人任务有意义的视觉表征。这些发现表明了一条有效的路径：可以从大规模人类视频数据中进行学习，同时避免完全自回归式 VLM 动作生成所带来的推理时延。此外，通过在高质量机器人数据上对动作专家进行后训练，整体性能进一步得到提升。