作者：硅基星人
https://zhuanlan.zhihu.com/p/2051733536873373900

如果只看发布节奏，2026 年上半年的 VLA 赛道确实很热闹。

NVIDIA 在 Isaac-GR00T 仓库里放出了 GR00T N1.7 Early Access；Figure AI 发布了 Helix 02，把 VLA 控制从上半身扩展到全身 loco-manipulation；Physical Intelligence 的 π0.5 论文和博客则把重点放在开放世界泛化，后续 π*0.6 又把真实经验强化学习推到前台。

这三者经常被放在一起比较，但严格说，它们不是同一种东西：

1、 GR00T N1.7 是开放权重和代码的机器人基础模型早期版本；
2、 Helix 02 是绑定 Figure 硬件的闭源全身自治系统；
3、 π0.5 / π*0.6 更像一组 VLA 数据配方和后训练方法论。

所以，这篇文章不做“谁最强”的排行榜。公开资料还不足以支撑这种结论。更有价值的问题是：它们分别在解决 VLA 的哪一个核心难题？

一、先纠正几个容易误传的点

第一，GR00T N1.7 不是 GR00T N1 论文。

GR00T N1 的论文是 2025 年 3 月的 arXiv:2503.14734，介绍了 NVIDIA 的通用人形机器人 VLA 基础模型。N1.7 则是 GitHub 仓库里的 Early Access 版本，使用新的 VLM backbone（Cosmos-Reason2-2B / Qwen3-VL 架构），加入相对末端执行器动作空间，并引入约 20K 小时 EgoScale 人类视频预训练。仓库也明确说完整 benchmark 和生产支持要等 GA。

第二，Helix 02 不是开放论文系统。

Figure AI 官方新闻页给了相当多架构信息：System 2、System 1、System 0，200Hz、1kHz、触觉、掌心相机、四分钟洗碗任务等。但它仍然是闭源产品系统，外部无法复现实验，也没有标准 benchmark 可以和 GR00T 或 π0.5 对齐。

第三，π0.5 和 π*0.6 要分开看。

π0.5 的主线是开放世界泛化：多机器人数据、Web 多模态数据、高层语义子任务、object detection、自然语言指导示范等异构 co-training。π*0.6 则是后续工作，重点是 RECAP：让 VLA 通过真实部署经验、专家纠正和 RL 自我改进。

第四，不要把未公开的工程细节写成确定事实。

比如一些二次传播里出现的 FAST、Knowledge Insulation、N1.7 具体参数量、N1.6 到 N1.7 的若干成功率提升，都没有在公开材料里形成足够稳定的证据。作为知乎技术文章，可以做判断，但不能把推测写成事实。

二、VLA 到底在解决什么问题？

VLA（Vision-Language-Action）模型的目标，是学习一个从视觉和语言到动作的策略：

其中 o_t 是当前视觉观测，l4 是语言指令，a_{t:t+H}$ 是未来一段动作。动作可以是末端执行器位姿，也可以是关节目标、夹爪状态、移动底盘速度，甚至是人形机器人的全身动作。

这个问题的难点不在“把图像和语言接到动作头上”。真正难的是四件事：

1、 语义理解和低层控制频率不匹配：VLM 可以慢慢想，但机器人闭环控制不能等。
2、 动作空间高度依赖本体：机械臂、移动操作臂、人形机器人、灵巧手的动作表示完全不同。
3、 机器人数据稀缺且昂贵：高质量遥操作数据比互联网图文数据贵得多。
4、 部署后会遇到训练集没有覆盖的失败状态：策略必须学会恢复，而不只是模仿成功轨迹。

三家公司选择了三种不同解法：

三、GR00T N1.7：开放平台路线

NVIDIA 的路线很清楚：做机器人基础设施。

GR00T N1 论文提出的是双系统架构：

1、 System 2：视觉语言模块，负责理解图像、语言和任务语义；
2、 System 1：Diffusion Transformer 动作模块，负责生成连续动作。

论文里强调，两者是紧耦合并端到端训练的。System 2 提供语义和上下文，System 1 负责把这些表示变成可执行的动作序列。

N1.7 在这个基础上做了几件公开可见的更新。

1. 新 VLM backbone

N1.7 仓库说明里写得很明确：新的 VLM backbone 是 Cosmos-Reason2-2B，基于 Qwen3-VL 架构，替换了 N1.6 使用的 Eagle backbone。它支持更灵活的图像分辨率，并能以原始宽高比编码图像。

这说明 NVIDIA 在把 Cosmos 系列世界模型能力往 GR00T 里接。GR00T 不只是一个机器人动作模型，而是在吸收 NVIDIA 更大的 Physical AI 模型栈。

2. Relative EEF action space

N1.7 采用相对末端执行器动作空间。简单说，不直接预测绝对目标，而是预测相对于当前末端位姿的 delta。

这对跨本体很重要。绝对动作高度依赖机器人坐标系、工作空间和关节结构；相对动作更容易在不同机械臂、人形上复用，也更接近人类操作视频中“移动多少”的动作表达。

3. EgoScale 人类视频预训练

EgoScale 是 NVIDIA 2026 年 2 月发布的工作，核心是用大规模第一人称人类操作视频学习灵巧操作先验。

论文里提到的数据规模超过 20,854 小时，并报告了人类视频规模和下游机器人表现之间的 scaling law。GR00T N1.7 仓库也明确说，N1.7 引入了约 20K 小时 EgoScale 人类视频预训练，带来更好的泛化和语言跟随能力。

这件事的意义不小。

机器人数据贵，但人类操作视频相对更容易规模化。NVIDIA 的判断是：先用人类视频学习物理交互和操作先验，再用少量机器人数据完成 embodiment 对齐。

这条路线如果成立，机器人基础模型的数据瓶颈会被部分重写。

4. 开放但仍是 Early Access

GR00T N1.7 的优势是开放：代码、权重、数据格式、fine-tune 流程、推理接口都能直接看。

但也要注意仓库里的提醒：这是 Early Access。完整 benchmark、生产部署支持和稳定特性要等 GA。拿它和 Figure 的闭源演示，或者和 PI 的论文实验直接硬比成功率，并不严谨。

更准确的定位是：GR00T N1.7 是目前少数真正可上手的跨本体 VLA 平台。

四、Helix 02：垂直整合路线

Figure 的路线和 NVIDIA 几乎相反。

NVIDIA 想做平台，Figure 想做产品。Helix 02 不是为了适配所有机器人，而是为了让 Figure 自己的人形机器人在真实场景里做长任务。

Helix 02 官方定义为一个统一的全身 loco-manipulation VLA。它继承 Helix 的 System 1 / System 2 思路，又新增了 System 0。

1. System 2：慢语义层

System 2 负责理解场景、语言指令和任务阶段。它不直接规划低层脚步，也不输出每个关节的细节控制，而是产生语义 latent。

这和 2025 年 Helix 的设计一脉相承：慢系统负责“要做什么”，快系统负责“怎么做”。

2. System 1：200Hz 全身 visuomotor policy

Helix 2025 版本只控制上半身。Helix 02 的 System 1 扩展到全身：腿、躯干、头、手臂、手腕和手指。

官方说法是“All sensors in, all actuators out”：头部相机、掌心相机、指尖触觉和全身本体感知输入；完整关节控制输出。

这背后的工程难度很高。人形机器人行走时，手上拿着盘子，重心会变化；打开洗碗机门时，下肢、躯干、手臂都要一起补偿。把这些控制分成“先走过去、再停下、再伸手”的传统状态机，会非常脆。

3. System 0：1kHz 全身运动先验

Helix 02 最关键的新模块是 System 0。

官方描述里，System 0 是一个 10M 参数的全身控制网络，输入全身关节状态和 base motion，输出 1kHz 的关节级 actuator commands。它用超过 1,000 小时的 joint-level retargeted human motion data 训练，并在超过 200,000 个并行仿真环境中通过 domain randomization 做 sim-to-real。

这相当于给全身动作生成加了一个低层物理先验。

System 2 说“去洗碗机”；System 1 把视觉、触觉、本体感知和语义 latent 转成全身目标；System 0 确保这些动作在 1kHz 层面保持平衡、接触和协调。

这个分层非常合理。全身人形机器人不是一个高维机械臂，不能只靠一个 VLA action head 从像素直接输出所有关节然后指望它稳定。

4. 成果很强，但证据类型不同

Helix 02 的四分钟洗碗演示确实值得重视。官方称机器人连续完成 61 个 loco-manipulation 动作，无重置、无人类干预，还展示了触觉和掌心相机支持的精细操作，比如拧瓶盖、取药片、推注射器、从杂乱盒子中取金属件。

但这里必须保持审稿人的谨慎：这些是 Figure 官方演示和官方表述，不是开放 benchmark，也不是第三方复现实验。

所以 Helix 02 可以说明 Figure 的垂直整合路线很强，但不能直接拿它和开源模型在论文表格上的成功率比较。

五、π0.5 / π*0.6：泛化与后训练路线

Physical Intelligence 的路线更像算法和数据配方。

π0 的核心是 flow matching action expert。它从一个预训练 VLM 出发，把互联网视觉语言知识和机器人动作数据接起来，输出连续控制动作。相比离散 action token，flow matching 更适合高频连续动作生成。

π0.5 则往前走了一步：不只追求某些实验室任务成功，而是要在新家庭、新物体、新场景中开放世界泛化。

1. π0.5 的关键：异构 co-training

π0.5 官方博客和论文把重点讲得很清楚：泛化来自合适的数据混合。

训练数据不只是机器人动作轨迹，还包括：

1. 多机器人数据；
2. Web 多模态数据；
3. object detection；
4. 高层语义子任务标签；
5. verbal instruction demonstrations；
6. 不同环境和不同 embodiment 的机器人经验。

这比单纯“更多遥操作轨迹”更重要。

机器人清理厨房时，不只是要会抓杯子，还要知道杯子应该放进水槽，垃圾应该进垃圾桶，鞋子不应该放在床上。这些高层语义知识未必来自机器人轨迹，Web 数据和多模态任务反而更有效。

π0.5 的 ablation 很说明问题。官方博客报告：

这里 WD 是 Web Data，CE 是 Cross-Embodiment，ME 是 Multiple Environment。可以看到，Web 数据对 OOD 物体识别和语义泛化很关键，而多环境、多本体机器人数据对整体能力都很重要。

2. π*0.6：从泛化走向自我改进

π0.6 是后续工作，论文标题是 **π0.6: a VLA That Learns From Experience**。

它提出 RECAP：RL with Experience and Corrections via Advantage-conditioned Policies。方法把 demonstrations、on-policy collection、专家接管和纠正数据都放进一个自我改进流程里。

论文摘要里的结论很有代表性：在一些最难任务上，RECAP 能让 throughput 翻倍以上，并大约把失败率减半。示例任务包括真实家庭中的叠衣服、组装盒子、用专业咖啡机制作 espresso 等。

这和 π0.5 是一条连续路线：

π0：通用 VLA flow model
  ↓
π0.5：异构 co-training，开放世界泛化
  ↓
π*0.6：真实经验 RL，部署后自我改进

如果说 GR00T 的关键词是“平台化”，Helix 的关键词是“全身产品化”，那么 PI 的关键词就是“数据配方 + 后训练”。

六、三者真正不同在哪里？

直接看一张矩阵会更清楚。

1. 开放性不同

GR00T N1.7 是最开放的。它有 GitHub、模型权重、数据格式、fine-tune 流程和部署指南，适合研究者和创业团队试验。

Helix 02 最封闭。外部能看到演示、架构描述和部分数字，但拿不到模型、数据和评测协议。

π0.5 / π*0.6 介于中间。论文和博客很完整，但模型权重和完整训练配方并不像 GR00T 那样可直接使用。

2. 目标本体不同

GR00T 明确强调 cross-embodiment：人形、半人形、双臂、不同机器人数据都要能放进来。

Helix 02 绑定 Figure 03 的传感器和执行器：掌心相机、触觉指尖、全身 proprioception、低层控制频率都服务于这套硬件。

PI 的 π 系列也强调多机器人、多场景，但更多从数据和算法角度处理，而不是提供一个统一开发平台。

3. 动作生成方式不同

GR00T 使用 VLM + Diffusion Transformer 生成连续动作。N1.7 又把相对 EEF action space 作为跨本体关键设计。

Helix 使用层级控制：S2 语义，S1 全身 visuomotor，S0 1kHz 运动先验。它不只是在“动作头”上做文章，而是把全身控制拆成不同时间尺度。

PI 从 π0 开始就强调 flow matching action expert。Flow matching 可以看作扩散家族的一种连续生成路线，但它学习的是从噪声到目标动作的向量场，适合连续动作输出。

4. 数据策略不同

GR00T 的新意在于 EgoScale：用大规模第一人称人类操作视频提供物理交互先验。

Helix 02 的关键数据包括 1,000+ 小时人类全身运动数据，以及针对 Figure 本体的仿真 RL 和真实任务数据。

π0.5 的关键是异构数据混合：Web、多环境、多本体、高层语义任务、自然语言指导演示一起训练。

这三条路其实并不冲突。未来的强 VLA 很可能同时使用人类视频、机器人遥操作、Web 数据、仿真数据和部署反馈。

七、哪些说法现在还不能下结论？

1. “GR00T N1.7 已经全面领先”

目前不能这样说。

N1.7 是 Early Access，仓库明确说完整 benchmark 和 fully validated feature set 会在 GA 提供。它的开放性和工程完整度很强，但真实部署能力仍需要更多公开评测。

2. “Helix 02 是最强 VLA”

Helix 02 的演示很强，尤其是全身 loco-manipulation 和长时任务。但它是闭源 vendor demo，没有统一 benchmark。可以说它代表了当前公开演示中最激进的全身自治路线，但不能说它在可复现实验上领先所有模型。

3. “π0.5 靠某个 tokenizer 或技巧取胜”

公开论文和博客里，π0.5 的主线不是某个单点技巧，而是 co-training 的数据混合。Web 数据、多环境数据、跨本体数据和高层语义监督共同决定了它的泛化。

4. “VLA 已经从模仿走向超越人类”

太早。

π*0.6 和 WMPO 这类工作说明 VLA 后训练正在从 imitation learning 走向 RL 和自我改进。但这仍然局限在特定任务、特定平台和特定数据闭环里。把它说成“超越人类”没有必要，也不准确。

八、我的判断：VLA 会往哪里收敛？

我认为未来两年 VLA 会有三个收敛方向。

1. 双系统或多系统会成为默认工程结构

纯端到端一个大模型直接输出所有控制信号，听起来优雅，但不一定适合真实机器人。

真实机器人有不同时间尺度：语义理解可以 1-10Hz，操作策略可能 50-200Hz，平衡和低层控制可能要 1kHz。GR00T、Helix 都在用分层系统处理这个问题。

这不是倒退回传统机器人，而是承认机器人控制的物理约束。

2. 人类视频和 Web 数据会进入机器人训练主链路

EgoScale 证明第一人称人类视频可以给灵巧操作提供可规模化监督；π0.5 证明 Web 多模态数据对 OOD 语义泛化有用。

机器人遥操作数据仍然重要，但它不可能独自支撑通用机器人。未来的数据配方一定是混合的：

Web 语义数据
  + 人类操作视频
  + 多机器人轨迹
  + 仿真数据
  + 真实部署反馈

3. 后训练会成为 VLA 的核心竞争力

现在很多 VLA 还停留在 behavior cloning。下一阶段的关键，是如何让策略从失败中学习。

π*0.6 的 RECAP、WMPO 的世界模型 GRPO、各种 sim-to-real residual RL，都是同一个方向：让 VLA 不只会模仿，还能在部署中迭代。

这会成为 VLA 和普通机器人 imitation policy 的分水岭。

九、如果你是从业者，该关注哪条线？

如果你做开源研究或多本体适配，优先看 GR00T N1.7。它的价值不只是模型，而是数据格式、fine-tune 流程、部署接口和生态位置。

如果你做自有人形机器人产品，Helix 02 更值得研究。不是因为你能用它，而是因为它展示了全身控制应该如何分层：S2 语义、S1 全身策略、S0 低层运动先验。

如果你做泛化、数据配方和后训练，π0.5 / π*0.6 更值得细读。它们提醒我们，VLA 的瓶颈不是简单堆参数，而是数据如何混合、语义如何迁移、真实失败经验如何进入训练循环。

如果你只想问“谁会赢”，我倾向于说：短期看 Figure 的垂直整合最容易做出惊艳 demo；中期看 NVIDIA 的开放平台最容易形成生态；长期看，PI 所代表的数据混合和后训练能力会被所有路线吸收。

最后真正胜出的，可能不是某一个模型，而是谁先把下面这个闭环跑起来：

多源数据预训练
  ↓
少量机器人数据对齐
  ↓
真实部署
  ↓
失败样本回流
  ↓
RL / 世界模型 / 人类纠正后训练
  ↓
继续部署

VLA 的下一阶段，不是“会不会动”，而是“能不能越用越好”。

参考资料

[1] NVIDIA Isaac-GR00T GitHub: https://link.zhihu.com/?target=https%3A//github.com/NVIDIA/Isaac-GR00T
[2] GR00T N1: An Open Foundation Model for Generalist Humanoid Robots: https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2503.14734
[3] EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data: https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2602.16710
[4] Figure AI: Introducing Helix 02: https://link.zhihu.com/?target=https%3A//www.figure.ai/news/helix-02
[5] Figure AI: Helix: A Vision-Language-Action Model for Generalist Humanoid Control: https://link.zhihu.com/?target=https%3A//www.figure.ai/news/helix
[6] π0.5: a Vision-Language-Action Model with Open-World Generalization: https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2504.16054
[7] Physical Intelligence: π0.5 官方博客: https://link.zhihu.com/?target=https%3A//www.pi.website/blog/pi05
[8] π0: A Vision-Language-Action Flow Model for General Robot Control: https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2410.24164
[9] π*0.6: a VLA That Learns From Experience: https://link.zhihu.com/?target=https%3A//arxiv.org/abs/2511.14759