从动作表示、解码方式和预训练迁移角度比较，π 系列与 RT 系列、OpenVLA 的技术路线有哪些关键差异？

动作表示：π0/π0.5/π0.7 用连续 flow matching 动作专家；RT-1 用离散化 token，RT-2 与 OpenVLA 把动作当作语言 token 由 VLM 自回归输出。解码与控制频率：连续专家推理并行度高、适配 50Hz 级高频控制；离散 AR 受串行生成延迟约束。预训练迁移：三者都受益于 VLM 预训练，但 π 系列强调知识隔离与异构 co-training 的数据配方；OpenVLA 强调开源数据规模（OXE 混合）与开放权重生态。后训练：π 系列已有 RECAP、RLT 等从经验学习的成套方案，开源路线多停留在 SFT/LoRA 微调。

可以总结成三个维度的「路线之争」：表示（连续 vs 离散）、训练（co-training 配方 vs 数据规模）、后训练（经验闭环 vs 静态权重）。面试中主动给出各自适用场景——研究迭代与高频控制看 π 系列方案，低成本复现与社区生态看 OpenVLA——会显得判断成熟。