π0.5

Модель «зрение — язык — действие» (vision-language-action, VLA) компании Physical Intelligence. Она получает изображения с камер робота и команду на естественном языке и выдаёт его движения. Построена на основе π0, но в отличие от неё обучена сразу на разнородных данных: записях с разных роботов, данных из интернета, распознавании объектов и разбиении задачи на подзадачи. Поэтому она справляется с длинными бытовыми задачами, например уборкой посуды или заправкой кровати, в домах, которых не было в обучающих данных.

проверено по: pi.website ↗