π0.5 的网络架构、输入与输出、训练损失和关键设计分别是什么？

π0.5 沿用 π0 的 VLM + flow matching 专家架构，但推理变成两级：先由模型生成下一阶段子任务的自然语言 token，再以该子任务为条件生成连续动作。训练采用 co-training：机器人演示的动作损失、高层子任务预测的语言建模损失、网络图文数据的 VQA 损失联合优化；低层动作在预训练阶段以 FAST 离散 token 表示，最终微调回到 flow matching 专家。

关键设计的动机值得展开：子任务预测给模型显式的高层规划接口，把长程任务分解成可监督的中间目标；异构 co-training 是把开放世界泛化「买」进来的主要手段。可以对比 π0：架构相似，改变的主要是数据配方与训练目标，这也引出「π0.5 是数据配方的胜利」这一常见总结。