动作专家

Action Expert入门必知

VLA 里专门负责生成连续动作的一组独立参数，与看图读指令的主干分工。

动作专家这个说法因 Physical Intelligence 2024 年的 π0 流行开来。π0 以约 30 亿参数的 PaliGemma 视觉语言模型为主干，另加一组约 3 亿参数、从零初始化的 Transformer 权重，专门处理机器人状态和动作 token，这组权重就叫动作专家。两部分在同一套注意力层里交换信息，但各用各的权重，类似只有两个专家的混合专家；信息单向流动：动作 token 能看到图文 token，反过来不行，以免主干偏离原来的预训练。动作专家用流匹配生成连续的动作块；论文发现，给状态和动作 token 单独配一组权重，比和主干共用权重效果更好。π0.5、SmolVLA 等沿用了这个名字，GR00T N1 的动作模块也是同类设计。