物理AI实验室 // 第 3.1 集 // 小测

VLA 拆解 三个模型

视觉编码、语言骨干、动作头

01一个团队想让双臂机器人叠衣服,需要又快又平滑的连续动作。他们用 OpenVLA 时发现动作跟不上、一顿一顿。按片中的拆解,最该先怀疑哪一块?

02有人说:“π-zero 和 GR00T N1 的动作头都生成连续动作,所以完全是一回事。”按片中的说法,哪句更准确?

03为什么流匹配这类连续动作生成,更适合叠衣服这种又快又精细的活?

04三个模型都没有从零训练看世界和懂语言的部分,而是借用现成的开源模型。片中给的主要理由是什么?

05你在一台新的双臂机器人上实测三个模型:参数最少的 GR00T N1 反而比 OpenVLA 做得好。最合理的解读是?