π0.7 如何提升组合泛化？（额外上下文、原子指令、目标图像与 world model）

π0.7（5B：4B VLM 主干 + 视频历史编码器 + 860M 动作专家）把组合泛化建立在更强的「先想后做」上：训练用丰富多样的语言指令与语言引导数据教会原子技能；推理时把长任务分解成原子子任务序列；轻量世界模型为每个子任务生成子目标图像，作为显式视觉条件引导动作专家。多模态条件化（指令、目标图像、元数据）让同一模型可被引导到不同做法与质量档，从而把未见任务表达为已见原子能力的组合。

与 π0.5 的对比是关键：π0.5 的中间产物是文本子任务，π0.7 加入了世界模型生成的子目标图像与可引导性（steerability），组合泛化从「见过类似流程」推进到「重组原子能力」。可以讨论子目标图像的验证作用（执行前先可视化预期）、world model 幻觉的风险，以及 RL 验证训练在精确任务上的角色。