π*₀.₆: a VLA That Learns From Experience

Summary

π*₀.₆: a VLA That Learns From Experience

• 核心: 通用 VLA 不能只靠 demonstration——得让它像人一样练习；本文给出 Recap 算法与 π*₀.₆ 模型，在真实部署中用 autonomous rollouts + 人类 correction + sparse reward 迭代自改进，espresso / laundry / box assembly 三个长程任务 throughput 翻倍、failure rate 减半。
• 方法: Recap = (1) episode-level sparse reward → (2) 训 distributional value function $V^{{\pi }_{\text{ref}}}$ → (3) 把 advantage 的二值化 indicator “Advantage: positive/negative” 作为 text token 塞进 VLA prefix，训练时跑 advantage-conditioned SFT，推理时固定 positive（可选 CFG 放大）。绕过 flow-matching policy 做 PPO 的 likelihood / trust-region 难题。
• 结果: π*₀.₆ 能在真实家庭连续折 2 小时衣物、在咖啡店连续做 13 小时咖啡、在工厂拼装包装纸箱；除 diverse laundry 外所有任务成功率 ≥90%；VS. PPO / AWR 在同一批数据上显著领先；两轮迭代（autonomous-only）即可让 t-shirt 折叠吞吐翻倍。
• Sources: paper | website
• Rating: 2 - Frontier（flow-matching VLA + real-world RL 的前沿代表工作，advantage conditioning 是关键工程突破；但发表仅数月，尚需时间验证是否升格为 Foundation）

Key Takeaways:

1. “RL is back” for VLAs：首次在通用 4B+ flow-matching VLA 上跑通 real-world RL 自改进闭环——此前 VLA RL 工作几乎全部局限在离散动作、小模型、或 toy task。
2. Advantage conditioning 是对 flow matching 的”绕开式”解法：把 RL 问题编码为”多一个 text prefix 的 supervised learning”，与 Knowledge Insulation 的 stop-gradient 结构天然兼容，不用硬算 flow-matching 的 log-likelihood。
3. Value function 的角色远不止 critic：670M 多任务 language-conditioned distributional VF（predict negative steps-to-success + 201 bins）既做 credit assignment，又能可视化出”什么时候robot犯错、什么时候progress”，这件事本身就是 alignment 工具。
4. Coach + practice 的混合数据范式：human intervention 修大错（exploration），autonomous rollouts 打磨细节（speed/fluency），共用同一套 advantage-conditioned 目标——工程层面统一了异构数据源。
5. 迭代即可，无需完美初始化：box assembly iteration 0 → iteration 2 throughput 翻倍，“offline RL + SFT” 只是起点而非终点。

Teaser. Recap 训出的 π*₀.₆ 能做三个真实长程任务：espresso、box assembly、diverse laundry

---

Problem & Motivation

“It’s amazing what you can learn if you’re not afraid to try.” — Robert Heinlein

Imitation learning 的天花板是 demonstration 数据的质量与覆盖——“at best, can only be as performant as the demonstration data”。而真实机器人与 LLM 不同：policy 在真实环境里跑会产生 compounding errors——小偏差把机器人带到训练分布之外，于是犯更大的错。这个问题 DAgger (Ross et al. 2011) 早已形式化，但在大模型 VLA 上给出可规模化的工程解法是空白。

核心挑战有三（来自 Intro §I 和 Related Work §II）：

1. Scalable RL for large VLAs：4B VLM backbone + 860M flow-matching action expert，policy gradient 类方法（PPO）要求可解析的 log-likelihood 和小步长 trust region，和 flow matching 不兼容。
2. 异构数据整合：pre-training demonstrations、autonomous rollouts（好坏混杂）、human correction（不完美但针对痛点）——一套 loss 要吃得下。
3. Sparse & noisy reward：实验中只给 episode-level success/failure 一个二值标签，中间过程没有 dense reward。

❓ 本文 framing 有一个隐含假设：失败模式可以通过 practice 消除。但真实世界里有些 failure 是来自 hardware / perception 的系统性 bug（比如抓取角度传感器漂移），这类 practice 再多也 RL 不出来。论文没有区分”可 RL 修复的 failure”和”结构性 failure”。

Related Work 的站位

论文在 Related Work 里把 VLA + RL 的前作分成了四类，定位自己为第四类：

类别	代表工作	本文的差异
直接 PPO fine-tune VLA	InteractivePostTraining, VLA-RL, piRL, SimpleVLA-RL	前作用离散/Gaussian action，规模受限；本文用 端到端 flow-matching VLA
Residual policy / head fine-tune	ImprovingVLA, ConRFT 等	改 head 不改整体；本文 整个 VLA 端到端 offline RL
Value function + end-to-end	CORFT, GRAPE, VLA-C, SelfImprovingEFM	前作用 Q-learning / DPO / PPO + REINFORCE；本文用 advantage conditioning 绕开 policy gradient
Return / advantage conditioning	Upside-Down RL, Decision Transformer, CFGRL	前作针对 diffusion 或 offline RL 的小模型；本文 scale 到 generalist VLA + 真实长程 manipulation

最接近的方法是 CFGRL (Frans et al. 2025)——它提出用 classifier-free guidance 做 diffusion policy 的 advantage conditioning；本文在此之上做了 VLA-scale + real-world + iterated offline RL 的工程化。

Method: Recap

Recap = RL with Experience and Corrections via Advantage-conditioned Policies

三步循环，可迭代 K 次：

1. Data collection：跑当前 policy，每个 episode 拿 success/failure 标签，可选地让专家 teleoperator 在 agent 犯错时 intervene 提供 correction。
2. Value function training：用所有累积数据训多任务 distributional VF $p_{\varphi }(V|{\mathbf{o}}_t,\ell )$。
3. Advantage-conditioned policy extraction：用 VF 算每个 $({\mathbf{o}}_t,{\mathbf{a}}_t)$ 的 advantage，二值化为 $I_t$，拼到 VLA 的 text prefix 里，做 SFT-style 训练。

Figure 3. VLA 与 value function 的交互结构：两边都从 VLM 初始化（VLA 是 4B Gemma 3，VF 是 670M Gemma 3），Knowledge Insulation 的 stop-gradient 保证 discrete text token 与 continuous action 互不干扰；advantage indicator $I_t$ 以 text 形式进入 prefix

基础模型：π₀.₆ 的架构

来自 π₀.₆ 模型卡（这一信息在 paper 正文只匆匆带过）：

• VLM backbone：SigLIP (400M) + π0.5 改用的 Gemma 3 4B，总 ~5B
• Action expert：860M 参数，和 backbone 层数相同
• 输入：最多 4 路 448×448 图像（base + 两腕 + 可选 backward for mobile），textual prompt + 可选 metadata，tokenized proprioception
• 输出：(a) discrete FAST tokens（VLM backbone 自己预测，做 Knowledge Insulation 的 co-train signal） (b) 50Hz continuous action chunks（action expert flow matching）
• 速度：5 denoising steps + 3 cameras → H100 上 63ms/chunk
• 相比 π0.5：更大 backbone（Gemma 3 vs PaliGemma）、更大 action expert、更丰富的 metadata 条件
• Knowledge Insulation：VLM backbone 正向 next-token prediction（包括 FAST action tokens 和 web 多模态 co-training），action expert 做 flow matching；action expert 的梯度不回传 backbone。这个设计是 advantage conditioning 能 plug-in 的关键——新增的 text token 自然地只影响 backbone 的 conditioning，不会打乱 flow matching。

Distributional Value Function

训练目标：预测”到任务成功还剩多少步”（distributional, 201 bins）。

Equation 1. Value function 的 cross-entropy 训练目标

$$\underset{\varphi }{\min }{\mathbb{E}}_{\tau \in \mathcal{D}}\left[\sum _{{\mathbf{o}}_t\in \tau }H(R_t^B(\tau ),p_{\varphi }(V|{\mathbf{o}}_t,\ell ))\right]$$

符号说明：$R_t^B(\tau )$ 是从 $t$ 到 episode 结束的 empirical return 离散化到 $B=201$ 个 bin；$\ell$ 是 language command。Reward 函数本身非常简单：每步 $r_t=-1$，末步成功 $r_T=0$、失败 $r_T=-C_{\text{fail}}$（大负数），整体 normalize 到 $(-1,0)$。

关键工程选择：

• Multi-task language-conditioned：一个 VF 管所有任务，per-task 最大 episode 长度归一化
• Smaller backbone（670M vs 4B）：保证 on-the-fly inference 在 VLA 训练时开销可控
• Web data co-training：防止 VF 过拟合
• Monte Carlo 估计而非 Bellman bootstrap：论文承认 off-policy Q-function 理论更好，但 on-policy MC “simple and highly reliable”

Figure 4. Value function 在两个 episode 上的可视化：successful folding 上 VF 稳步上升；一个 failed manipulation 上 VF 在犯错那一刻骤降（红色）。VF 能定位错误时刻——这本身就是很强的诊断工具

Advantage-Conditioned Policy Extraction

这是论文的 technical core，也是与 CFGRL 最贴近的部分。

Step 1: Regularized RL 的经典解

标准 regularized RL 解为 $\hat{\pi }(\mathbf{a}|\mathbf{o})\propto {\pi }_{\text{ref}}(\mathbf{a}|\mathbf{o})\exp (A^{{\pi }_{\text{ref}}}(\mathbf{o},\mathbf{a})/\beta )$（AWR / MPO 家族）。

Step 2: 换成 improvement-probability 形式

论文用一个 less well-known 的结果：定义 $\hat{\pi }(\mathbf{a}|\mathbf{o})\propto {\pi }_{\text{ref}}(\mathbf{a}|\mathbf{o})p(I|A^{{\pi }_{\text{ref}}}(\mathbf{o},\mathbf{a}){)}^{\beta }$，其中 $p(I|A)$ 是”该 action 能 improve 的概率”，则 $\hat{\pi }$ 仍 guaranteed improvement。通过 Bayes rule 重写：

Equation 2. Improved policy 的 CFG-style 表达

$$\hat{\pi }(\mathbf{a}|\mathbf{o},\ell )\propto {\pi }_{\text{ref}}(\mathbf{a}|\mathbf{o},\ell ){\left(\frac{{\pi }_{\text{ref}}(\mathbf{a}|I,\mathbf{o},\ell )}{{\pi }_{\text{ref}}(\mathbf{a}|\mathbf{o},\ell )}\right)}^{\beta }$$

当 $\beta =1$ 时 $\hat{\pi }={\pi }_{\text{ref}}(\mathbf{a}|I,\mathbf{o},\ell )$——只需同时建模条件和无条件分布，采样时条件取 $I=\text{True}$ 即可，这就是 classifier-free guidance 的经典套路。

Step 3: Binary advantage indicator

把 $I$ 设为 advantage 超过阈值的 delta：$I_t=\text{mathds}1(A^{{\pi }_{\text{ref}}}({\mathbf{o}}_t,{\mathbf{a}}_t,\ell )>{ϵ}_{\ell })$。阈值 ${ϵ}_{\ell }$ per-task 调整（pre-train 用 30% percentile、fine-tune 用 ~40%、laundry 收紧到 10%）。在 prefix 里注入 “Advantage: positive” / “Advantage: negative”。

Step 4: 训练目标

Equation 3. 最终 policy 训练 loss（文字 negation 形式）

$$\underset{\theta }{\min }{\mathbb{E}}_{{\mathcal{D}}_{{\pi }_{\text{ref}}}}[-\log {\pi }_{\theta }({\mathbf{a}}_t|{\mathbf{o}}_t,\ell )-\alpha \log {\pi }_{\theta }({\mathbf{a}}_t|I_t,{\mathbf{o}}_t,\ell )]$$

同时建模带/不带 indicator 的两种 log-likelihood。Continuous action 部分用 flow matching ELBO（Appendix A-C）代替真实 log-likelihood。实际实现上，论文随机 30% dropout advantage indicator 而非通过 $\alpha$ 调权——效果等价，且方便推理时做 CFG（$\beta >1$ 等价于在 gradient space 做 guidance，Appendix A-E 详推）。

Human correction 处理：所有 human intervention 的 action 强制 $I_t=\text{True}$，假设专家总是提供 “improving” action。这个近似在实践中 work 得不错，因为专家只在明显错误时介入。

❓ 30% dropout 这个超参看起来是工程味的魔法数字；论文没报 ablation。

❓ 强制 human correction 的 $I_t=\text{True}$ 假设专家永远 improve。但如果专家的 style 和 VLA 的 “optimal style” 不一致（比如专家 prefer 慢而稳、VLA 想学快），这会引入 bias。

算法 1：完整流程

Input: multi-task demo dataset D_demo

# Pre-training (offline RL on demos)
V_pre ← train on D_demo via Eq.1
π_pre ← train on D_demo via Eq.3 with V_pre

# Per-task specialist
D_ℓ ← task demos
V_ℓ^0, π_ℓ^0 ← fine-tune from V_pre, π_pre on D_ℓ

# Iterative improvement
for k = 1 to K:
    Collect rollouts with π_ℓ^(k-1), add to D_ℓ
    V_ℓ^k ← fine-tune from V_pre on D_ℓ
    π_ℓ^k ← fine-tune from π_pre on D_ℓ

注意一个细节：每轮迭代都从 π_pre（而非上一轮）fine-tune，防止 drift over iterations。

Experiments

任务与平台

Figure 6. 三大任务：laundry（3 个变体）、box assembly、espresso making

平台：双 6-DoF 臂 + parallel gripper，base + 两 wrist 相机，50Hz joint position control（静态 bimanual；pre-training 覆盖多种 robot）。

任务 success 定义：

任务	变体	成功判据	时限
Laundry	T-shirts & shorts	折好放右上角	200s
Laundry	diverse (11 种衣物)	目标件折好堆叠	500s
Laundry	targeted failure removal	T-shirt 折好且衣领朝上	200s
Cafe	double espresso	取 portafilter → 研磨 → tamp → 插机器 → 取杯 → 萃取 → 出杯	200s
Box assembly	—	平板纸箱 → 组装 → 贴标 → 放置	600s

Baselines

• π0.5 pre-trained：无 RL
• π₀.₆ pre-trained（supervised）：有新 backbone 无 advantage conditioning
• π*₀.₆ RL pre-trained：offline RL pre-training，加了 indicator
• π*₀.₆ offline RL + SFT：上一个 + per-task demo fine-tune
• π*₀.₆ (Ours)：加 on-robot experience 的完整 Recap
• AWR：同数据，policy gradient 的 advantage weighted regression
• PPO：同数据，单步 diffusion likelihood + SPO-style trust region

Main Results

Figure 7 (left) / Figure 8 (left). T-shirt & shorts laundry 上各阶段的 throughput 与 success rate：从 π0.5 到最终 π*₀.₆，throughput 单调上升，success rate 早就饱和在 95%+，gain 主要在速度

聚合数据：

任务	Throughput 提升（Recap vs. 最强非 Recap baseline）	最终 Success Rate
Laundry T-shirts/shorts	~50%	>95%
Laundry diverse	>2×	90% 以下（最难 item）
Espresso double shot	>2×	>90%
Box assembly	~2×	~90% per substage

实际部署：

• 13 小时连续做 espresso（5:30am–11:30pm，不同 drinks）
• 新家中折 50 种衣物、连续 2+ 小时不中断
• 工厂组装 59 个巧克力包装盒

Iterative Improvement

Pure-autonomous t-shirt task（无 human correction）+ box assembly：

• T-shirt：iteration 1 就把 success 拉到 >90%；iteration 2 主要拿 throughput（+50%）。
• Box assembly：iteration 2 才看到 2× throughput——长程任务需要更多数据才收敛。

Recap vs. PPO vs. AWR（ablation on extraction method）

Figure 11. 同一批数据下，Recap 的 advantage conditioning 远胜 AWR / PPO；PPO 必须用 η=0.01 的极小 trust region 才稳定，代价是性能低

• PPO：flow matching 的 unbounded diffusion head 难以约束 trust region。加 SPO-style 定义 + 极小 η 才稳，但性能垫底。
• AWR：成功率 ok，但 policy 偏保守（filtered imitation 的副作用），速度慢、throughput 低。
• Recap：两个指标都领先——把 RL 问题降维成 SFT + CFG 是对 flow-matching policy 的关键工程解。

Targeted Failure Removal

Figure 12. 取 T-shirt 任务的严格变体（衣领必须朝上），用 1200 条 pure-autonomous rollouts + 两轮 Recap，success rate 从 baseline 的~30% 冲到 97%

这个结果展示了 Recap 的 surgical 能力：不用人类干预，只靠 RL 就能消除一个 specific failure mode。对大规模部署来说这意义重大——“工厂发现了新的 failure → 收集 autonomous rollouts → 再训一轮”是一条可执行的运维流水线。

关键超参速查（Appendix A-F）

• Advantage lookahead：post-training $N=50$，pre-training $N=T$（episode-final）
• Advantage dropout：30%
• Advantage threshold ${ϵ}_{\ell }$：pre-train 30% percentile / post-train ~40% / t-shirt laundry 10%
• CFG 推理 $\beta$：moderate 1.5–2.5；过大会 push action 到 support 边界导致动作过激
• 数据量（correction + autonomous）：t-shirt 300×4 robot / diverse laundry 450+287 / failure removal ~1000+658 / box 600+360 per iter / cafe 414+429

关联工作

基于

• π0: flow-matching VLA 的源头，本文继承其双 expert 架构
• π0.5: 直接前作，Knowledge Insulation 训练框架、语言-子任务预测高度沿用；π₀.₆ = π₀.₅ + 更大 backbone（Gemma 3 4B vs PaliGemma）+ 更丰富 metadata conditioning
• π0.7: 本文的后继（2026.04）；π0.7 在 π*₀.₆ 基础上继续加 steerable generalist 能力
• Knowledge Insulation (Driess et al. 2025)：stop-gradient action expert 是 advantage conditioning 能干净 plug-in 的前提
• CFGRL (Frans et al. 2025)：diffusion policy 的 advantage conditioning 原始想法

对比

• PPO on diffusion/flow VLAs（DPPO, FPO, SPO）：policy gradient 派，本文证明 trust region 在 flow VLA 上很难做，advantage conditioning 更优
• AWR（Peng et al. 2019）：filtered imitation 的典型代表，下权 suboptimal data；本文用 advantage conditioning 保留所有数据
• Decision Transformer / RvS / Upside-Down RL：return-conditioning 的大家族，本文是其 VLA-scale 扩展

方法相关

• DAgger（Ross et al. 2011）：compounding error 的经典分析；本文的 human-gated DAgger（HG-DAgger）沿用
• FAST action tokenizer（Pertsch et al. 2025）：discrete action head 的基础
• Distributional RL（Bellemare et al. 2017）：201-bin value head 的出处
• Calibrated Q-Learning / CORFT（Huang et al. 2025）：最相关的 value-based VLA RL 前作，但用 Q-learning 且限 grasping task

---

论文点评

Strengths

1. 真正的 real-world RL 闭环：13 小时 espresso、工厂 box assembly 不是 demo 视频而是真实 deployment，“toy task 做 RL” 的壁垒被跨过去了。
2. Advantage conditioning 是工程上的关键 simplification：把 RL 问题编码成 “SFT + prefix text”，与 Knowledge Insulation 的 stop-gradient 天然兼容。Policy gradient 派在 flow matching 上不 tractable 的问题直接绕开。
3. 异构数据的统一 framing：demo、autonomous、correction 三类数据在同一套 advantage conditioning 下训练，工程架构简单。
4. Value function 设计可解释：distributional + negative steps-to-success + language-conditioned，既是 critic 又是诊断工具。
5. Iterative loop 有效：两轮就能显著提升，说明 Recap 不是 one-shot 幸运。
6. 失败模式定向消除（Fig 12）：对工业部署极有价值的能力。

Weaknesses

1. Autonomy 不完整：reward label、human intervention、episode reset 都还靠人；论文自己承认。这让”scale to 1000 hours of practice”还有很长路。
2. Exploration 极其朴素：靠 policy stochasticity + human correction，没有 curiosity、没有 planned exploration。初始 policy 足够好时 OK，但如果任务是 genuinely novel（没有好 demo），RL 寸步难行。
3. Offline RL 而非真正 online：batch collect → retrain → deploy，延迟 iteration。
4. 超参巫术：${ϵ}_{\ell }$ 按 task 手调、dropout 30%、$\alpha$ 和 CFG β 的关系也只给了定性描述——规模化时这套超参怎么自动化不清楚。
5. 没有 scaling 曲线：data vs. performance、model size vs. performance 的系统性实验没做——读者无法判断”再收 10× 数据能到哪里”。
6. Value function bootstrap 问题：MC 估计的 VF 在 iteration K 时反映的是 mixture policy 的 value，和 PPO 那种强 on-policy 假设不同；论文没 ablation 这件事对最终性能的影响。

可信评估

Artifact 可获取性

• 代码: 未开源（paper / blog / 模型卡均未提代码）
• 模型权重: 未发布 π*₀.₆ checkpoint；此前 π0 open source 过但 π₀.₆/π*₀.₆ 属于 PI 商用线
• 训练细节: 算法流程 + 关键超参在 Appendix A-F，但 compute budget、training steps、lr schedule、数据 mixing ratio 未完整披露
• 数据集: 私有 pre-training data；评估任务 demonstration 数量给出

Claim 可验证性

• ✅ Throughput 2×、failure rate 2× 降低：blog 视频证据充分（13h espresso / 工厂 box / 新家 laundry），可信
• ✅ Recap > PPO, AWR on same data：Fig 11 给了同数据 ablation
• ⚠️ “first time general-purpose RL recipe for VLAs succeeds”：前作（VLA-C, CORFT, SelfImprovingEFM 等）在 smaller-scale task 上也声称 success，具体”first general-purpose”是 fuzzy 定义
• ⚠️ Value function 的 credit assignment 可视化（Fig 4, 13）：定性展示好看，但 VF 真的定位对了 causal credit 还是只定位了统计相关的 timestep，没有控制实验
• ⚠️ Iteration 收敛：只展示到 k=2，是否 saturates / collapses 未知
• ❌ 无明显 marketing overclaim

Notes

对自己研究方向的映射

VLN + VLA 统一视角：

1. Advantage conditioning 是 model-agnostic 的——理论上可以统一 navigation head 和 manipulation head 的 RL 目标。Navigation 的 reward 更 dense（distance-to-goal），VF 训练可能比 manipulation 更容易。
2. Knowledge Insulation 对 dual-head 架构至关重要：discrete navigation waypoint selection + continuous manipulation flow matching 可以 independent 训练——这正是 hierarchical VLA with dual action heads 需要的 decoupling。
3. “Practice loop” 是 VLN 更应该做的事：navigation task 在 sim/real 都更容易 autonomous scale（reset 只要 teleport），比 manipulation 的 human reset 瓶颈低。Nav 可能是 Recap-style iteration 的更好第一验证场。

可迁移到 Video Understanding 研究的 insights：

• Distributional value head 做 progress prediction → video segmentation / temporal localization：给一段长视频，predict “距离事件发生还剩多少”。这和 event detection 的 framing 天然契合。
• Classifier-free guidance 做 advantage conditioning → video generation：给一段 noisy 视频生成，加上 “quality: high/low” prefix 做 CFG。

追问

❓ 为什么 binary indicator 比 continuous advantage 好？论文用 delta 分布近似，但没 ablation continuous advantage（比如 normalized to [0,1]）会如何。直觉上 binary 是”更粗的 signal” — 为何更 work？可能和 flow matching 的 mode covering 特性有关：fine-grained 条件会让 flow 学歪。

❓ $I_t$ 放在 $\hat{\ell }$ 之后、actions 之前——这个 ordering 能不能让 $\hat{\ell }$ 预测本身也被 advantage 条件化？论文说只有 action likelihoods 被影响，但 causal attention 下 $\hat{\ell }$ 预测时看不到 $I_t$——OK 那就是 $\hat{\ell }$ 预测独立于 advantage。但这意味着subtask plan 不会因为 advantage 而改变，只有 low-level action 会。对 long-horizon 任务这是优点（高层 plan 稳定）还是缺点（高层 plan 错了就一路错）？

❓ 13 小时 espresso、2 小时 laundry 的成功率是怎么定义的？blog 里只说 “without interruption”——中间是否有 minor failures 被 recover？学术界的 success rate（严格 episode）和工业界的 “uptime” 是两个概念。

下一步如果我要 follow-up

1. Recap on Navigation: 最容易验证的场景——R2R / HM3D 上用 distance-to-goal 训 VF，prefix 加 advantage indicator。一周工作量。
2. Recap on VLN-VLA joint: 验证 navigation head 和 manipulation head 能否共用一个 multi-task VF，dual-advantage conditioning。
3. Ablate binary vs continuous advantage: 补上 paper 缺的实验。
4. Scaling curve: pre-train data / fine-tune data / model size 三条轴上跑 scaling，回答”Recap 的 sample efficiency 是多少”。

Rating

Metrics (as of 2026-04-24): citation=107, influential=13 (12.1%), velocity=20.58/mo; HF upvotes=1; github=N/A (无代码仓库)

分数：2 - Frontier 理由：按笔记 Strengths 第 1-2 点（首次在 4B+ flow-matching VLA 上跑通 real-world RL 闭环、advantage conditioning 绕开 flow matching 的 policy gradient 难题）和关联工作定位（与 CFGRL、CORFT 等同属 value-based VLA RL 前沿），这是该方向当前必须比较的 Baseline 与方法范式代表，符合 Frontier 定义；但发表仅数月（2025.11），citation 与社区采纳度尚未累积，且已有 π0.7 后继出现迭代，尚不足以锁定为 Foundation——本方向的脉络仍在快速演化，Foundation 档位留给能被时间验证的工作。2026-04 复核：5.2 月积累 107 citation / 13 influential (12.1%，典型 ~10% 偏高)、velocity 20.58/mo 属 VLA 方向前列，早期采纳信号明显；但 PI 无代码/权重释放、π*₀.₆ 还未被社区当 de facto baseline 广泛复用，仍在 Frontier 段位，尚不跨入 Foundation。