具身智能学习笔记

VLA 开山之作：Google DeepMind 用 PaLI-X 55B / PaLM-E 12B 直接微调输出动作 token， co-fine-tuning 保留 Internet 语义知识。涌现能力：符号理解、数学推理、人类识别—— robot 数据中从未出现过的能力。OpenVLA 和 π₀ 的共同起点。

第一个完全开源的通用 VLA：Prismatic-7B（SigLIP + DINOv2 + Llama 2 7B）在 970k 轨迹上微调， 动作离散化为 256-bin token。7B 参数比 55B 的 RT-2-X 高 16.5%，LoRA 微调只需 1 张 A100， 4-bit 量化后 7GB VRAM 即可部署。

Physical Intelligence 2026 最新：架构小升（Gemma3 4B + 860M Action Expert = 5B）， 核心在 Diverse Prompting——subtask 指令 + BAGEL world model 生成 subgoal 图 + episode metadata（speed/quality/mistake）让通才 VLA 可操控。零样本跨本体折衣服匹配人类遥操。

Physical Intelligence 2025-11：在 π₀.₆ 基础上加 RL 回路。把 advantage 当 prompt token、 独立 distributional VF 当裁判、纯 SL loss 完成 RL 改进——绕开 flow matching 没有可计算 log-π 的死结。 真机：13h 连续做 espresso、2h 折新衣物、最难任务 2× throughput 且失败率减半。

Physical Intelligence 2025 续作：架构小动两刀（state 进 prompt + adaRMSNorm）， 训练换两阶段（discrete pre + flow post），数据混 web/HL/VI 异质源。在没见过的真家做家务。 §6 对照 openpi 源码：哪些公开了、哪些只在 paper 里。

以 openpi 的 transform 链为主线：7 层适配器 + 镜像对称（训练 .inputs 单向 / 推理 .inputs+.outputs）+ norm_stats.json 做粘合。逐层展开每个 transform 的"做什么/为什么/代码在哪"， 以及 LIBERO / ALOHA / DROID 三种数据集的适配差异对照。