π0（pi-zero）是美国机器人基础模型公司 Physical Intelligence 开发的视觉-语言-动作（VLA）模型，2024 年 10 月发布论文，随后以 openpi 仓库开源 π0、π0-FAST、π0.5 三个系列的代码与检查点。本页参数整理自其 GitHub 仓库与官方博客。

关键参数（公开口径）

参数 规格
类型 视觉-语言-动作（VLA）基础模型，π0 基于流匹配（flow matching）生成连续动作
开源仓库 openpi（GitHub），含 π0、π0-FAST、π0.5 三类模型
许可 代码 Apache-2.0；权重含 Gemma 语言骨干，另受 Gemma 许可条款约束（README 口径）
预训练规模 10,000 小时以上机器人数据（官方口径）
推理显存 单卡 8GB 以上（示例档 RTX 4090，README 口径）
微调显存 LoRA 22.5GB 以上；全量微调 70GB 以上（A100 80GB/H100 档，README 口径）
运行环境 Ubuntu 22.04、Python 3.11 档、JAX 实现（2025-09 起增 PyTorch 路径），提供 Docker 方式
数据与检查点 训练用 LeRobot 数据集格式；官方提供 ALOHA、DROID（Franka）、LIBERO、UR5 等检查点

本表为公开资料整理，以仓库最新说明为准。

产品定位与技术要点

π0 的技术标签是「流匹配 + 跨本体」：不像传统策略网络输出单步离散动作，而是生成连续动作块，官方论文口径称其可控制不同动作空间的多种机器人本体。π0-FAST 换用自回归动作分词器，π0.5 引入知识绝缘训练以提升泛化。Hugging Face LeRobot 已采纳 π0.5 实现（HF 文档口径），说明其开源权重已成为机器人学习社区的常用底座之一。

工程侧要分清「开源权重」与「落地交付」的边界：openpi 提供的是预训练检查点、微调脚本与示例，要在自己的机器人上跑出可用任务，通常需要按 LeRobot 格式准备自有数据并做微调，全量微调的显存门槛不低。对高校与小团队，LoRA 微调加消费级显卡是官方给出的低成本路径。

适用场景

  • 具身智能算法研发：以开源检查点为起点做二次训练，见具身智能转型专题
  • 科研基准复现：LIBERO、DROID 等公开基准自带检查点，便于对齐论文结果
  • 操作任务快速原型：折毛巾、开笔帽等演示任务（官方口径）验证 VLA 路线可行性，数据侧可配合AgiBot World真机数据集

同类产品与选型

VLA 模型路线可比：智元 AgiBot World 页内的 GO-1 基座模型（同为开源具身基座，绑定自有数据集）；与 NVIDIA Isaac Lab 代表的强化学习路线互为补充——模仿学习吃数据、强化学习吃仿真。品类全景见软件平台主题。

来源与核验