π0 的 VLM 输出如何注入 Flow Matching 动作模块？

Flow matching 头把一个动作块初始化为高斯噪声，每一步根据当前噪声动作与上下文预测速度场，再沿学到的向量场积分数步，把噪声输运为连续动作分布的样本。VLM 的角色是提供条件：动作专家是与主干共享注意力的双流 Transformer，动作 token 对 VLM 的图像/语言 token 做注意力，从而读取语义与观测信息；训练目标只是回归给定噪声水平下的目标速度。

常见追问包括：为什么选 flow matching 而不是 diffusion——目标更简单（向量场回归）、推理步数灵活可调（约 10 步）、比离散自回归更适合高频连续控制；以及与 diffusion policy 的区别（flow matching 学的是确定性输运路径，训练更稳定）。还可以提到动作专家小于主干带来的推理加速：重计算发生在小网络上，VLM 每次重规划只需前向一次。