研究解读 · 神机百见解读
π0.7 与组合泛化：机器人领域的「GPT-3 时刻」到底指什么
Physical Intelligence 的 π0.7 被称为机器人领域的「GPT-3 时刻」，关键词是组合泛化——模型见过「抓红杯」和「杯子烫就用夹子」之后，能组合出没练过的动作。它还首次把世界模型作为 Subgoal Image Provider 集成进 VLA。
一分钟速览
- 两个首次：Physical Intelligence π0.7 首次在机器人领域实证「组合泛化」，并首次将世界模型作为 Subgoal Image Provider 集成进 VLA。
- 组合泛化是什么：模型见过 A 和 B，能处理没练过的 A+B 组合，而不是只会复现训练过的任务。
- 为什么叫 GPT-3 时刻：GPT-3 的关键不是会聊天，是展现出「没被专门训练过的能力」。π0.7 在机器人上展现出同类性质。
- Subgoal Image Provider：世界模型生成一张「任务完成后的样子」的图，作为中间目标交给 VLA 去执行——把长任务拆成一串可达成的视觉目标。
- 但要注意：多家报道都提到，这类能力目前仍局限在实验室环境，尚未大规模真实落地。
数据来源与边界
本文信息来自 2026 年公开研报与行业媒体报道（南方+、界面新闻、券商调研纪要等）对 Physical Intelligence π0.7 的转述。Physical Intelligence 的原始论文与技术报告未在本文整理时点逐一核对，具体指标以官方发布为准。「GPT-3 时刻」为行业说法，非本文评价。1组合泛化
「没练过但会做」，为什么这么重要
先说清楚组合泛化（compositional generalization）是什么意思。
三种「泛化」的区别
| 类型 | 含义 | 例子 |
|---|---|---|
| 插值泛化 | 训练见过的分布内，换个位置换个光照 | 练过抓红杯，能抓蓝色杯子 |
| 外推泛化 | 稍微超出训练范围 | 练过抓杯子，能抓碗 |
| 组合泛化 | 把学过的元素重新组合成没练过的任务 | 练过「抓杯子」和「杯子烫就用夹子」，能处理「用夹子把烫的杯子放进洗碗机」 |
第三种才是关键。前两种只是「举一反三」，第三种是「无中生有」——这才是通向通用操作的门槛。
打个比方
你教一个孩子认字。他记住「火」、记住「山」，这是记忆；换个字体还认得，这是插值泛化；看到「火山」两个字能猜出意思，这是组合泛化——他从没被教过这个词，但他会把两个已知的概念拼起来。
语言模型做到这件事用了很多年，然后忽然在某一天涌现了，那天被称为 GPT-3 时刻。机器人领域在等自己的那一天。
为什么它比跑分重要：任务成功率高 5 个百分点，是量的改进；能处理没练过的组合，是质的变化。前者靠堆数据和调参能拿到，后者不能。
2Subgoal Image Provider
世界模型在 VLA 里到底是干什么的
π0.7 的另一个「首次」，是把世界模型作为 Subgoal Image Provider（子目标图像生成器）集成进 VLA。
带子目标生成的 VLA 流程
指令
「把桌面收拾干净」
想象
世界模型生成子目标图像：桌面整洁的样子
拆解
进一步生成中间帧：杯子已在架上的样子
执行
VLA 输出动作，朝子目标图像推进
校验
比对当前画面与目标图像，判断是否达成
关键在第 3 步和第 5 步：长任务被拆成一串视觉可达成的中间目标，每一步都能自己检查做没做对。
这个设计的巧妙之处在于：它把「长程任务规划」这个难题，转化成了「生成一张图」这个相对容易的问题。
传统 VLA 处理长任务很吃力，因为它要从当前画面直接跳到最终动作，中间隔着十几步。有了子目标图像，每一步都只需要「让画面朝目标图靠近一点」——这是一个短程问题，VLA 最擅长。
打个比方
这像装修。直接让工人「把这套房子装好」，他很难下手。但如果你给他一张效果图，再给一张「水电走完的样子」「贴完砖的样子」，每一步他都知道要往哪走、做完了没。
Subgoal Image Provider 干的就是效果图设计师的活：把「最终要什么」翻译成一串「下一步长什么样」。
3但要注意
实验室与真实场景之间，还隔着什么
多家行业报道在提到 π0.7、GEN-1 这类前沿模型时，都加了一句限定：暂局限于实验室环境，尚未大规模真实落地。
实验室 → 真实场景的四道坎
| 坎 | 实验室里 | 真实场景 |
|---|---|---|
| 光照 | 可控，通常恒定 | 早晚、阴晴、逆光、频闪 |
| 物体 | 已知物体集，形状规整 | 任意物体，变形、遮挡、透明 |
| 时长 | 单次任务几分钟 | 连续运行数小时，热衰减 |
| 容错 | 失败可重来，成本为零 | 一次失败可能是摔碎一个花瓶 |
判断：组合泛化是真的突破，但它是能力边界的突破，不是可靠性的突破。一个模型能处理没练过的组合，和它能连续 8 小时不出错，是两件完全不同的事。目前行业在前者上进展快，在后者上进展慢。
4对我们的意义
做落地的人该怎么读这类新闻
读具身智能新闻的三层拆法
| 看到的说法 | 要追问的 | 落地相关度 |
|---|---|---|
| 「成功率 95%」 | 什么任务？什么物体？失败那 5% 是什么情况？ | 高 |
| 「首次实现 XX」 | 在实验室还是真实场景？几台机器验证？ | 中 |
| 「组合泛化」 | 是新能力的涌现，还是数据集变大了？ | 中（影响未来，不影响当下选型） |
| 「超越人类」 | 哪个指标？什么条件？人类的可比数据是什么？ | 低（多为宣传口径） |
一条经验
我们在给客户做方案时，从不引用「实验室成功率」。只引用能在现场复现的数字，或者我们自己测出来的数字。原因很简单：你对客户承诺 95% 成功率，客户按 100% 期待。那 5% 发生的时候，赔的不是那次活动的钱，是后面所有单子。这个站里所有标「实战记录」的文章，数字都来自我们自己的项目，就是这个原因。