π0 与 π0.5 如何处理 VLA 中的机器人本体状态？这种设计差异会带来哪些影响？

两个模型都遵循知识隔离：关节角度等本体状态不进入 VLM 的语言/图像 token 序列，只通过独立的输入投影提供给动作专家。这使 VLM 的表征不被窄分布的本体数据污染，跨本体迁移更稳。π0.5 进一步强调跨机器人共训与视觉闭环，弱化了对精确本体读数的依赖；需要本体反馈的接触密集任务则保留动作专家这条通道。

影响可以双向讨论：若把本体状态放进 VLM，单本体精度可能提升，但破坏迁移且语言 token 与连续状态的分布冲突；隔离的代价是主干缺少本体感知，接触密集、盲区操作场景必须依赖动作专家。还可以提到训练技巧如 state dropout（随机丢弃状态输入迫使模型学会无状态兜底），以及跨本体数据集对本体观测空间不一致的处理。