具身智能面经（一）：π论文篇，从π0到π-FAST的24个高频问题

π 系列在 VLM 主体、视觉编码器以及图像与语言 token 融合方面有哪些特殊设计？注意力如何交互？

VLM 的输出如何注入 Flow Matching 动作模块？

π0 中的 action chunk 具体表示哪些时间范围与控制量？模型如何生成并在执行时滚动使用这一段动作？

若既要利用预训练 VLM，又要对齐连续动作，除了梯度隔断外还有哪些可行的设计？

π0.5 的网络架构、输入与输出、训练损失和关键设计分别是什么？

π0 与 π0.5 在核心目标、数据与动作表示、训练方式和泛化能力上有哪些区别？

π0 与 π0.5 如何处理 VLA 中的机器人本体状态？这种设计差异会带来哪些影响？

π0.5 的 Action Expert 梯度会回传至 VLA 吗？为什么？

π0.5 的开放世界泛化由哪些数据、训练目标和架构设计共同支撑？这些因素分别如何起作用？

π0.5 中用于高层子任务或机器人规划的模块负责预测什么信息？它如何为低层连续动作生成提供条件？

π*0.6 要解决什么问题？为什么大规模 VLA 不易直接采用 PPO？后训练如何转化为近似监督学习？

在 π0.5、π*0.6 与 RLT 等方法中，replay buffer 在数据闭环和策略更新中承担什么作用？

π*0.6 的 reward model 如何获得奖励信号？奖励设计如何支持后训练？

π0.7 如何提升组合泛化？（额外上下文、原子指令、目标图像与 world model ）

RLT 的训练与测试流程是什么？

请完整说明 ReCAP 的流程，包括人工介入、训练和测试环节。

ReCAP 与 SFT + GRPO 有什么区别？（数据使用、value/reward 建模和策略更新）

与 PPO 相比，RLT 对 value 的监督有什么不同？

π-FAST 的离散自回归动作生成，与 π0/π0.5 的连续 Flow Matching Action Expert 相比，各有什么训练和推理取舍？在闭环重规划时，两者又分别有什么限制？

FAST 如何将连续动作序列转换为离散动作 token？与逐维分桶等朴素离散化相比，DCT 与 BPE 分别带来什么变化？

频域压缩会牺牲哪些动作细节？在什么控制频率、任务精度或闭环要求下，FAST 更适合或不适合？

π 系列论文的演进脉络是什么？各版本试图解决的核心问题分别是什么？

如果 π 系列继续推出下一篇工作，你认为最可能的发力方向是什么？

从动作表示、解码方式和预训练迁移角度比较，π 系列与 RT 系列、OpenVLA 的技术路线有哪些关键差异？