π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities

Summary

π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities

• 核心: 用 diverse multimodal prompts（subtask 文本 + episode metadata + world-model 生成的 subgoal images + control mode）作为”context conditioning”，把 demonstrations、failure rollouts、autonomous evaluation data、egocentric human video、web data 这些异质混合质量的来源统一吃进单一 5B VLA，使一个通用模型在 dexterity、instruction following、cross-embodiment、compositional generalization 四个维度同时拿到”early signs”。
• 方法: Gemma3 4B + MEM 视频编码器 + 860M flow-matching action expert（5B 总参）；prompt 含 subtask、metadata（speed/quality/mistake）、subgoal images（来自 BAGEL 14B world model）、control mode；训练时各组件随机 dropout，推理可任意子集；可配 CFG 在 metadata 上做 quality steering。
• 结果: 单个 π0.7 模型在 8 个困难灵巧任务上匹配甚至超过 π*0.6 的 RL specialist 和 SFT specialist；在 4 个未见厨房 + 2 个未见卧室上的指令跟随显著超 π0.5/π0.6；laundry folding 零样本迁移到从未见过该任务的 UR5e bimanual 平台，task progress 85.6%、success 80%，与 top-2% 经验的人类 teleoperator 持平；可被语言 coaching 教会 air fryer / 烤面包机等全新长时程任务。
• Sources: paper | website
• Rating: 3 - Foundation（PI 系列的下一代基础 VLA，prompt expansion 训练哲学 + cross-embodiment 零样本匹配人类 top-2% 的结果都是方向级的影响，必读必引）

Key Takeaways:

1. “Diverse context conditioning” 是这篇的真正主张: 论文的方法论 punch line 不是”换了什么模块”，而是”prompt 信息扩张本身可以解锁更多数据”——subtask 文本、quality/speed/mistake metadata、subgoal images 让模型在训练时把”做什么”和”做得怎么样、用什么方式”分离。这等价于把数据集的隐变量显式化，所以可以把 failure rollout 也喂进来而不被污染。和 LLM 的”prompt expansion”训练在概念上同源。
2. 从 RL specialist 到通才的 distillation: π0.7 大量使用 π*0.6 的 RL 训练 rollout 作为训练数据，配合 quality metadata 做”软分级”。结果是单个通才模型在 espresso/laundry/box building 上匹配甚至超过 RL 专家，把 RL 专家的能力”反向蒸馏”回基础模型——这给”专才→通才”的迭代设计了一条闭环。
3. Subgoal images 由 lightweight world model 即时生成: BAGEL 初始化的 14B image-edit 模型（pre-train 自图像编辑/web 视频）在 inference 时按 subtask 文本+当前观测生成 future-frame subgoal，再交给 π0.7。这把”语义未消歧”的语言任务（如 “pick up the fruit on the largest plate”）变成”几乎是 inverse dynamics”的视觉任务——这是为什么 GC 变体在复杂引用、breaking dataset bias、cross-embodiment 上都明显更好。
4. Cross-embodiment 不只是适应，是策略发现: 在没有 UR5e laundry 数据的情况下迁移成功的关键不是”复制 source 行为”——模型在 source bimanual robot 上学的是 tilted grasp + 双臂配合，但在 UR5e 上自动用 vertical grasp + 单臂 pick-and-place。这种 emergent 的形态适配，匹配人类 top-2% teleoperator 的 zero-shot 表现。这条线最有产业含义：高成本工业臂可以由低成本灵巧臂数据驱动。
5. “Coaching → autonomous” 学习闭环: 用语言一步步教模型做新任务（air fryer 装红薯），收集这些 coaching episode，反过来 fine-tune 一个 high-level policy 自动生成同样的 subtask 序列。整个 pipeline 不收集任何新的 teleoperation 数据就能让 π0.7 自主完成全新长时程任务，coaching 后的 autonomous 表现接近 coaching 时的水平。这是把”语言指令跟随”作为新的数据扩增 primitive 来用。
6. Prompt dropout + CFG 是通用的 steerability 机制: 训练时每个 prompt 组件按概率独立 dropout（subgoal 75%、metadata 15%、subtask 30%）；推理时可省可加；甚至可以对 metadata 做 CFG（β=1.3–2.2）来”把模型推向更高 quality”。这套机制让一个模型同时支持”语言-only”、“语言+subgoal”、“高 quality 模式”、“高速模式”等 deployment 配置。

Teaser. π0.7 overview — diverse multimodal prompts unify heterogeneous data sources, enabling out-of-the-box dexterity and compositional generalization.

Teaser Video. Cross-embodiment laundry folding on bimanual UR5e (zero-shot, no folding data on this robot).

---

Introduction & Motivation

π0 系列已经把 VLA 推到了 specialist 水平的灵巧操作，但 LLM 那种 “compositional generalization”（把训练里见过的 capability 自由重组解决新问题）在 robot foundation model 上一直缺席。先前的 VLA 不仅难以解决新任务，连训练分布内的指令也常需要 task-specific fine-tuning 才能流畅执行。 π0.7 想要回答：什么样的训练 recipe 能让 VLA 像 LLM 一样，对训练数据中的 skill 做”重组”？

论文的判断：单纯加大数据并不够。机器人数据天然异质——不同 demonstrator 的策略、autonomous rollout 的质量、failure episode、跨 embodiment 的形态——naive averaging 会让模型学到”中庸的平均策略”。关键缺失的是 prompt 的表达力：如果 prompt 只有一句任务描述，模型就只能用 task identifier 做条件分布近似；如果 prompt 能描述”用什么策略、做到什么质量、希望中间状态长什么样”，那么数据集中的隐变量被显式化，混合质量数据反而成了正资产。

❓ 论文几乎没有给 prompt expansion 在 VLA 上的”为什么 work”的机制级分析（只是类比 image generation 的 prompt expansion）。从结果看 metadata 起到了 disambiguator 的作用，但具体哪些 prompt 组件对 generalization 贡献最大，是否所有组件都是必须的，文中没有完整的 leave-one-out。

Method

Architecture: 5B VLA 在 π0.6-MEM 上扩展

Figure 2. π0.7 整体架构：4B Gemma3 VLM backbone + MEM-style 历史视频编码器 + 860M flow-matching action expert。Prompt 包含语言指令、episode metadata、subgoal images。Subtask 文本由一个高层 semantic policy（同架构）生成，subgoal images 由独立的轻量 world model（BAGEL-init）生成。

• Backbone：Gemma3 4B-parameter VLM（含 400M ViT vision encoder），从公开权重初始化。
• History encoder：沿用 MEM 的 video history encoder——对历史观察做时空压缩，无论历史帧数都输出固定 token 数。最多 4 路相机（前视、左右腕、可选后视）+ 6 帧历史，1 秒 stride。
• Action expert：860M transformer，flow matching 目标，固定输出 50 步 action chunk，bidirectional self-attention 且能 attend 到 backbone 激活；用 adaptive RMSNorm 注入 timestep。
• 训练目标：π0 的 flow matching + Knowledge Insulation (KI)——backbone 用 FAST 离散 token 监督，action expert 的梯度不回传到 backbone，避免 unstable continuous loss 污染 VLM 表示。
• 状态编码：与 π0.6 不同，π0.7 跟 MEM 一样把 proprioceptive state 用线性投影做 token 嵌入（不是离散文本 token）；历史 state 与历史帧 dropout 联动。
• Real-time chunking (RTC)：训练时模拟 0–12 timestep 的 inference delay（对应 50Hz 上最多 240ms 延迟）以保证生产部署时的动作平滑。

多模态 Prompt 设计

π0.7 的 prompt $C_t$ 包含 5 类组件，训练时各自独立 dropout，推理时可任意组合：

组件	训练 dropout 率	作用
Task instruction ${\ell }_t$	-	总体目标（如 “clean the kitchen”）
Subtask ${\hat{\ell }}_t$	30%（仅在有 subgoal 时）	步骤级语言（“open the fridge door”），可由人或高层 policy 给
Subgoal images $g_t$	75%（即只 25% 训练样本带）	多视图近未来期望帧，由 world model 生成；本质是把任务降为 inverse dynamics
Episode metadata $m$	整体 15%、每项另 5%	speed bin（500 步粒度）、quality 1-5、mistake bool
Control mode $c$	-	joint / ee 文本标识

示例 prompt：

<Multi-view observation> <Multi-view subgoals>
Task: peel vegetables. Subtask: pick up the peeler.
Speed: 8000. Quality: 5. Mistake: false. ControlMode: joint.
<Proprioception>

Figure 3. Prompt overview：同一个数据可以同时具备 subtask 文本、subgoal images、metadata 三类条件——这种冗余表示让模型学会任意子集都能用。例如 UR5e bimanual 折衬衫示例中，prompt 是 “subgoal image + metadata”。

World model（subgoal generator）

• 初始化：BAGEL [105]，14B mixture-of-transformers，本身有图像理解+编辑+生成能力（同时含 ViT 7B + generation 7B）。
• 训练目标：标准 flow matching loss，输入是 subtask 文本 ${\hat{\ell }}_t$ + 当前观测 + metadata，预测段末帧。
• 数据：高质量 subtask label 的机器人 episode + egocentric human video + 开源 image editing/video 数据；label 时序切分质量被指出”对 subgoal 质量影响最大”。
• inference 时延：14B 模型 + 近 10K token 序列，需要 4×H100 + tensor parallel + 8-bit 量化 + SageAttention，才能把 25 步 denoising 的 subgoal 生成压到 1.25 秒。π0.7 主体异步执行不阻塞。

Inference-time prompting

Algorithm 1
  - 用 high-level policy 或人给出 subtask ℓ̂
  - 用 world model 生成 subgoal g* （仅当 subtask 变或 4s timer 触发）
  - C = {ℓ, ℓ̂, g*, m, c}
  - VLA 输出 50 步 action chunk，执行 H̃ ∈ {15, 25} 步

• 默认 metadata：speed = task 数据的 15th percentile（即”快”），quality = 5，mistake = false。
• Classifier-free guidance：可对任一 prompt 组件做 CFG。论文用 metadata CFG（β=1.3–2.2）来”把模型推向高 quality 行为”。

训练数据混合

• 大量不同机器人平台的 demonstrations（static / mobile / single-arm / bimanual）
• autonomous evaluation rollouts——尤其是 π*0.6 RL 训练时收集的 episode，作为 distillation source（脚注 1：generalization 评测涉及的任务排除在外，避免数据泄漏）
• 失败 episode + 含错误的成功 episode
• 开源机器人数据集
• Egocentric human video
• web 多模态数据：object localization、attribute prediction、VQA、text-only、video captioning

❓ 论文一直强调”在 large + diverse 数据下定义’unseen’非常困难”——这其实削弱了 compositional generalization 的强 claim。论文自己在 Discussion 里诚实承认了这点。这也意味着 air fryer 这类”未训练”任务的迁移在多大程度上是真的”compose”vs “近邻 retrieve”，目前没法严谨界定。

Experimental Results

A. Out-of-the-box dexterity

Setup：复用 π*0.6 release 的 4 个高难度任务（laundry/espresso/box building）+ Robot Olympics 任务（PB sandwich、shirt inside-out、drive through door）+ 新增灵巧任务（zucchini slicing、peeling、trash bag replacement）。Baseline 是 task-specific RL specialist 或 SFT specialist。

Figure 6. 单个 π0.7 vs 多个 task-specific specialists：第一行是与 π*0.6 RL specialist 比，第二行是与 SFT specialist 比。π0.7 全面匹配，且在 diverse laundry 和 box building 上 throughput 更高。

这个结果颠覆了”通才性能不如专才”的常识：通过 distillation + metadata steering，单一通才在所有 8 个 dexterous 任务上接平甚至超 RL/SFT 专家。throughput 优势可能反映了通才模型”见过更多类似 fold/grasp”的副作用。

Figure 7. Ablation：metadata + eval data 都重要：去掉 metadata 或去掉 autonomous eval data 都显著掉性能（throughput 比 success rate 退步更大）。“eval data 含很多次优 rollout”——只有当 metadata 能区分质量时，把它们喂进去才不会污染模型。

B. Instruction following

Figure 9. 在 4 个未见厨房 + 2 个未见卧室上的 3-6 步指令跟随成功率：π0.7 全面超 π0.5 和 π0.6。这是直接对比此前 PI 自家的开放世界泛化模型——说明 prompt 多样化训练对”语言跟随”也是关键 lever，而不仅仅是”加大模型/数据”。

Figure 10. 复杂指代指令：标准指令（“pick up the spoon”）所有模型都能做；复杂指令（“pick up the object I would use to eat soup”、“pick up the fruit on the largest plate”）只有 π0.7 能跟住，加上 subgoal images（GC 变体）效果更好——把”语义解释”外包给了 world model 的 web-scale 先验。

Figure 11. 反数据集偏置任务：训练数据里只有”trash → trash bin、dishes → bussing bin”，测试时反过来命令。强语言跟随才能压住数据偏置。“Reverse Fridge to Microwave” 上 GC 变体是关键——world model 能基于反向 instruction 生成正确 subgoal。

C. Cross-embodiment transfer

Figure 12. 跨形态迁移：从简单（Table Setting）到困难（Shirt Folding from static bimanual → UR5e）。π0.5 在大形态差距下崩溃，π0.7 仍能匹配 top-2% 人类 teleoperator 的 zero-shot 表现。subgoal images（GC）变体进一步提升——world model 能在”source 的腕部姿态”和”target 的手臂可达空间”之间做视觉类比。

Human study（10 人 × 3 trial）：top-2% experience operator（平均 375 小时）首次在 UR5e 上 fold shirt：90.9% task progress、80.6% success；π0.7 (GC)：85.6% / 80%——基本持平。这是论文最强的”零样本迁移”证据，也直接给”用便宜灵巧臂收集数据→部署到工业臂”的产业 pipeline 背书。

D. Compositional task generalization

Figure 17. 短时程 compositional 任务零样本：模型能 out-of-box 做 french press 按压、scoop rice into rice cooker、wipe headphones、spin desk fan/gear set——这些没有专门的训练数据。π0.7 在 GC 与 non-GC 上接近，说明短时程任务里 language conditioning 已经够。

Figure 14. 用语言 coaching 教模型做新任务：人提供步骤级 instruction（“grasp the air fryer handle”→“open the air fryer with the left hand”→“pick up the sweet potato”→…），π0.7 跟着执行。

Figure 15. 长时程未见任务：air fryer 加载/卸载、bagel 烘烤——这些任务连 base 数据里都没有 action level demo。其它模型基本失败，π0.7 (GC) 才能跟得住 coaching。

Figure 16. Coaching → autonomous 闭环：把 coaching episode 用来 fine-tune 一个 high-level policy（直接复用 π0.7 架构），让它自动生成同样的 subtask 序列；然后整个 pipeline 不需要任何 teleoperation 就能 autonomous 执行新任务。Autonomous 表现接近 coaching 时——证明 coaching 可以替代 teleop 数据采集这一步。

❓ 这条 pipeline 看起来非常 promising，但论文没说 coaching → autonomous 的 fine-tune 用了多少 episode，也没和 “直接收集 teleoperation 数据 fine-tune” 做相同样本量对比。如果 coaching 也需要几十次 trial 才稳，“省 teleoperation”的实际成本节省存疑。

E. Scaling 与数据多样性

Figure 18. 两个 scaling 实验：

• 左：fold laundry 任务，把数据按 quality+speed 分成 top 30%/50%/80%/all 四档。π0.7 (with metadata) 训练数据越多越强（即使大部分是 lower quality）；π0.7 (no metadata) 反而随数据质量下降而崩。⇒ metadata 让模型把”加更多数据”和”加更高质量数据”解耦。
• 右：移除”task diversity 最高的 20%” vs 移除”随机 20%“。前者性能显著下降，说明 task-diverse 数据对短时程未见任务的泛化贡献最大。

这个 scaling 实验是论文最有 information gain 的部分——直接量化了”prompt expansion 让 mixed-quality data 变成正资产”。但它只在 fold laundry 一个任务上做，跨任务的稳健性需要更多证据。

Limitations & Discussion

论文自己列出的 caveat：

• Unseen task 的成功率明显低于 in-distribution：seen task 常 90%+，unseen 任务或 unseen task-robot 组合在 60–80%。
• “Truly unseen” 几乎无法严格定义：训练集太大太杂，相似行为可能以不同 label 散落各处。论文承认这与 LLM 评测面临同样的难题，并主张”compositional generalization 本身就是 remix”。
• 未来方向：用语言 coaching 或 autonomous RL 在测试任务上做”高 steerability”的快速适应（i.e., 把 prompting 作为下游学习接口）。

---

关联工作

基于

• π0: flow-matching VLA + action chunking 的祖父架构
• π0.5: 引入 high-level subtask prediction 与 heterogeneous co-training，π0.7 复用其 subtask 设计
• π*0.6: 上一代基础 VLA 架构 + RL fine-tuned specialist；π0.7 直接 distill 其 evaluation rollout
• MEM: 历史视频编码器与状态 token 化；π0.7 把 MEM 作为基础模块引入

对比

• π0 / π0.5 / π*0.6: 主要 baseline，跨 instruction following / cross-embodiment / dexterity 三条线
• Hi Robot: 高层语言策略思路与 π0.7 的 high-level policy + low-level action 框架同源
• RL/SFT task-specific specialists：用作 “通才能否匹配专才” 的金标准

方法相关

• BAGEL [105]: subgoal world model 的 init；提供 web-scale 图像编辑/生成先验
• Gemma3 [106]: VLM backbone init
• SuSIE [93]: image-edit-as-subgoal-policy 的祖先；π0.7 的 subgoal 概念延续自此
• FAST tokens [104]: backbone 的离散 action 监督，配合 KI 训练
• Knowledge Insulation (KI) [103]: backbone 不接受 action expert 梯度的训练 recipe
• RTC [107, 108]: 训练时模拟 inference delay 的 action chunking 技术
• Classifier-free guidance [109]: prompt 组件 dropout 后用于 quality steering
• DROID [open dataset]: 训练数据的一部分；blog 中举例 air fryer 任务最近邻数据来自 DROID Franka

---

论文点评

Strengths

1. 方法论 framing 漂亮：把 “prompt expansion = 让数据集隐变量显式化”这一抽象 insight，落到 metadata + subgoal + subtask 三类具体条件上，并给出统一的 dropout/CFG 训练-推理接口。这套机制可以直接被其他 VLA 工作借用。
2. 数据策略极其务实：明确接受 failure rollout、autonomous data、跨 embodiment 数据作为正资产，并通过 metadata 标注解决质量混淆问题。这是”VLA 数据工程”的一个明确进步——不再寄望于”高质量 demonstration 才能用”。
3. Cross-embodiment 与 RL specialist 蒸馏两条线都拿到强结果：UR5e laundry 持平 top-2% 人类 teleoperator；espresso/laundry/box 通才匹配甚至超 RL specialist。两个结果各自都改变了对应方向的”期望基线”。
4. Scaling 消融直接量化 metadata 价值：mixed-quality data 在 no-metadata 模型下越多越差，加 metadata 后 monotonically improves。这是为”prompt expansion”提供机制级证据的关键实验，非常清晰。
5. Coaching→autonomous 闭环给”教机器人做新任务”提供了不依赖 teleoperation 的新原语，连接了语言指令跟随和数据扩增。

Weaknesses

1. “Compositional generalization” claim 的强度被论文自己稀释：作者诚实地承认”训练集太大无法严格定义 unseen”。这意味着 air fryer / bagel toasting 等结果到底是 compose 还是近邻 retrieve，无法严格切分。这个核心 claim 缺乏 controlled novelty 实验。
2. Prompt 组件的贡献度未做 leave-one-out：论文做了 metadata 和 eval data 的 ablation，但 subgoal images / subtask 文本 / control mode 各自的边际贡献没系统量化。subgoal images（“GC”）有时关键、有时无差异，缺少机制性解释。
3. Coaching pipeline 缺少成本核算：coaching episode 数量、fine-tune 高层 policy 所需数据量、与”直接 teleoperation 收集等量数据”的成本对比都没披露——决定了这个原语在实际工程中能否替代 teleop。
4. World model 推理代价巨大：4×H100 + 8-bit 量化 + custom attention 才能把 1.25s subgoal 生成压下来。在很多场景里 GC 变体是核心收益来源，这意味着部署成本被这个 14B 副模型主导。论文未讨论是否能蒸馏到更小的 subgoal generator。
5. 基线偏弱：比较对象主要是 PI 自家的 π0.5 / π0.6 / π*0.6，缺少与其它强 baseline（Gemini Robotics、Gemini Robotics 1.5、GR00T N1 等）的横评，部分原因可能是闭源/平台不同，但 cross-embodiment / instruction following 这类抽象能力本可以共比。
6. Metadata 设计的 scalability 存疑：speed/quality/mistake 这三个维度由人工标注；论文没讨论如何在更大数据上自动获得高质量 metadata，也没讨论 metadata schema 在新任务/新数据源上是否需要重新设计。

可信评估

Artifact 可获取性

• 代码: 未开源（PI 的 openpi 仓库截至本笔记日期只放出 π0/π0-FAST/π0.5）
• 模型权重: 未发布
• 训练细节: 高层架构 + 关键超参（dropout 概率、CFG β 区间、history stride、denoising step、行 50 token、inference latency 38–127ms）已披露；但训练 token 数、各数据源配比、训练步数未公开
• 数据集: 私有；只透露包含开源数据如 Octo 的 mix（DROID 提到一次作为相关数据源举例）

Claim 可验证性

• ✅ 单 π0.7 模型在 8 个 dexterous 任务上匹配/超过 task-specific RL/SFT specialists：图 6 给了 success rate + normalized throughput 双指标，且与 π*0.6 论文的 baseline 直接对应
• ✅ UR5e laundry zero-shot transfer 与 top-2% 人类 teleoperator 持平：人体 study 设计严谨（10 人 × 3 trial、首次尝试、无 warmup），数字可比
• ✅ Mixed-quality scaling 现象（Figure 18 left）：方法上有 controlled ablation（同一任务、四档质量），结论清晰
• ⚠️ “Compositional generalization” 在 air fryer / bagel 等长时程任务上的成立：论文自承”unseen 难定义”；coaching 时人提供 step-by-step 语言相当于把组合负担分散给人；autonomous policy 是从 coaching 数据 fine-tune 得到，不算严格意义上的 zero-shot
• ⚠️ subgoal-image (GC) 的边际收益跨任务不一致：在 reverse-bias 和 cross-embodiment 上明显有用，在 short-horizon 新任务上几乎无差异——论文没给出”何时 GC 必要”的判据
• ⚠️ Instruction-following 显著超 π0.5/π0.6 (Figure 9)：absolute 数值（success rate）没标注，只是相对柱图；评测的 14 个 scenario 是 PI 自选，可能有 selection bias
• ❌ “Step-change in generalization”（blog 用语）：营销话术；paper 自身用 “early signs” / “initial demonstrations” 这种 hedging，更稳

Notes

• Prompt expansion as a unifying mechanism for VLA：本文最值得借鉴的不是某个具体模块，而是”把 prompt 当 latent variable 显式化”的训练哲学。其它 VLA 项目都可以问自己：“数据集里有哪些隐变量影响 action 分布？哪些可以做成 prompt 标签？” 这是一个可复用的方法论。
• Subgoal generator 与 SnapFlow / video-as-policy 路线的关系：π0.7 是”world model 给 subgoal、VLA 走 action”的两阶段架构；视频生成派（dreamer-like / video-policy）是端到端的。两条路在工程实现 / latency / data efficiency 上各有 trade-off，值得继续追踪。
• Cross-embodiment “策略发现” 需要单独研究：UR5e vs static bimanual 上的策略差异（vertical vs tilted grasp）是 emergent 的，但论文只是定性观察。如何 controlled 地诱导这种 emergent strategy switch，是 cross-embodiment 方向的下一个有意思的子问题。
• Metadata 自动化是工程瓶颈：speed/quality/mistake 当前靠人工。如果有方法用自训练或 verifier 自动给 metadata（类似 RL 中的 reward model），整套 prompt expansion 就能 scale 到更大数据。这可能是下一篇 PI 论文的方向。
• 可参考的 idea hooks：
  1. 在自己的 VLA 工作里，是否能用 GAN/diffusion 生成 “synthetic subgoal” 来扩充小规模 demo？
  2. metadata schema 能否扩展到 “energy”、“smoothness”、“safety”，把行为质量从单维 scalar 变多维？
  3. coaching → autonomous pipeline 是否能用于 OOD recovery（错了之后被人语言修正，再 fine-tune 高层 policy）？

Rating

Metrics (as of 2026-04-24): citation=N/A (non-arxiv release), influential=N/A, velocity=N/A; HF upvotes=N/A; github=N/A (无代码仓库)

分数：3 - Foundation 理由：π0.7 是 PI VLA 系列（π0 → π0.5 → π*0.6 → π0.7）的下一代基础模型，方法论贡献（“prompt expansion as unifying mechanism for heterogeneous data”）和实证结果（单个通才匹配/超过 RL specialist；UR5e zero-shot laundry 持平 top-2% 人类 teleoperator）都处在方向级的位置，符合 Strength 1/3 和 Scaling ablation 的论断。相比 2（Frontier，仅是当前 SOTA baseline），它提出的 metadata + subgoal + dropout/CFG 训练接口具备被其它 VLA 工作借用的范式价值——这是 Foundation 区别于 Frontier 的关键。短期 citation 尚未累积、代码未开源是减分项，但基于方法论原创性与 PI 在 VLA 方向的一贯影响力，判定为 Foundation 而非 Frontier。