搜索面试经历、知识题和 Coding 题。
至少输入两个字符。结果覆盖知识库、面试、Coding、公司和主题。
为具身智能面试中反复出现的概念提供标准答案。
当前主题：pi-series
共 24 个问题
π 系列走「VLM + 小动作专家 + flow matching 连续控制」并持续迭代后训练；RT 系列（RT-1/RT-2）与 OpenVLA 把动作离散成 token 自回归输出，侧重大规模示范数据与开源生态。
开放题：可从世界模型与策略深度耦合、在线 RL 闭环自动化、跨本体统一动作接口、长程记忆与移动操作、安全可控生成等角度给出「短板 → 杠杆」的推理链。
π0 确立 VLM+flow expert 架构解决高频灵巧控制 → π-FAST 用离散 token 加速训练 → π0.5 靠异构 co-training 与子任务规划解决开放世界泛化 → π*0.6 用 RECAP 从经验中后训练提可靠性 → π0.7 以可引导条件与世界模型子目标冲组合泛化，RLT 补上高效在线 RL。
截断高频系数意味着丢失快速修正与接触瞬态；中低控制频率、动作平滑、以轨迹跟踪为主的任务适合 FAST；高频力控、接触密集、需要瞬时反应的任务不适合。
FAST 对动作序列沿时间维做 DCT，把能量集中到少数低频系数；量化后用 BPE 把常共现的系数量化为单 token，序列比逐维分桶短一个量级。
离散 AR 训练快约 5 倍、可复用语言模型基础设施，但推理逐 token 串行；flow expert 推理并行、贴合连续控制，但训练贵。闭环重规划时 AR 每次都要重新生成整段 token，flow expert 靠外推缓解等待。
PPO 的 critic 在完整观测上逐步 TD/GAE 自举，梯度影响整个策略网络；RLT 的 value 头只读压缩的 RL token，按 chunk 级自举、跨度更短，且 VLA 主干冻结。
GRPO 用组内相对奖励做 on-policy 策略梯度，需要可验证奖励与大规模并行采样；ReCAP 用离线回放上的 value 自举 + 优势条件化监督，不需要在线采样与成组对比。
部署采集经验（含人工纠正）→ 回放数据上拟合 value/优势 → 优势条件化策略训练 → 以高优势条件部署执行，新经验回流形成闭环。
在冻结 VLA 上接一个编码-解码 Transformer 抽出压缩的 RL token，再在小 actor-critic 头上做 PPO 风格在线 RL；测试时 RL 头在 token 空间输出对参考动作的修正。
π0.7 用可引导的多模态条件（丰富语言指令、目标/子目标图像、任务元数据）+ 原子子任务分解 + 世界模型生成子目标图像，把新任务重组为已见原子能力的组合。
不依赖手工密集奖励：以少量人工核验的成败标签为种子，在回放数据上用时间一致性自举 value/reward 信号，为全部无标签经验自动打分。
replay buffer 持久化自主经验供反复离线更新：为 value/优势估计提供固定分布、重标注与再平衡、混合新旧数据防止遗忘，是经验闭环类方法的枢纽。
π*0.6 要让 VLA 从自身经验（含失败）中变得可靠；真机 PPO 受采样成本、稀疏奖励与 on-policy 约束限制；RECAP 用离线 value 学习 + 优势条件化训练把 RL 转化为条件化监督学习。
该模块预测下一阶段子任务的自然语言 token；推理时先采样子任务，再把它与观测拼接作为动作专家的条件，随执行进度滚动更新。
数据层的异构 co-training（网络图文、多机器人、言语指令）、训练目标层的高层子任务预测、训练策略层的离散 token 预训练 + 连续专家微调，三层叠加支撑开放世界泛化。
会。动作专家与 VLM 端到端联合训练，动作损失经注意力反传到主干；预训练知识靠海量 co-training 数据与小学习率保护。
π0 主打通用高频低层控制，π0.5 主打开放世界泛化：靠异构 co-training、子任务预测与离散 token 预训练 + 连续专家微调的两阶段训练，把泛化能力显著推高。
架构延续 π0 的 VLM + 动作专家；推理先预测高层子任务文本，再以子任务为条件生成动作；训练用异构 co-training，动作预训练混入 FAST 离散 token，损失含子任务语言建模与动作项。
可选：冻结主干只训 adapter/动作头、LoRA 参数高效微调、两阶段离散预训练后接连续专家、完全离散自回归输出、并行读出头等，各自在迁移与控制精度间取舍。