像人一样家庭大模型机器人的关键模块：异构数据协同训练（数据策略）、两阶段训练管线（训练策略）、分层推理架构（模型设计）

家庭大模型机器人不局限于单一机器人的数据，而是构建了一个异构数据混合体（Heterogeneous Data Mixture）。

1、数据大熔炉：将移动操作机器人（Mobile Manipulator）、静态机械臂、不同形态的机器人数据（Cross-Embodiment）、互联网图文数据（Web Data）以及高层语义任务预测（High-Level Prediction）全部扔进一个模型里训练。

2、两阶段进化：先通过海量杂乱数据进行预训练（Pre-training）获得通用常识，再通过高质量指令数据进行后训练（Post-training）学会听话和精细操作。

3、语义指导动作：模型不仅输出底层的关节指令，还预测高层的子任务（如“打开微波炉”），利用语言思维链来指导长程操作。

家庭大模型机器人π0.5 证明了机器人的泛化能力不需要奇迹，只需要足够丰富的数据“喂养”——当机器人看过了互联网上的万千世界，它自然也就懂得了如何收拾你家乱糟糟的卧室。

家庭大模型机器人的核心设计围绕如何让一个模型同时消化“书本知识”（Web Data）和“肌肉记忆”（Robot Action）。其实现聚焦三个关键模块：异构数据协同训练（数据策略）、两阶段训练管线（训练策略）、分层推理架构（模型设计）。

关键模块一：异构数据协同训练 (Co-training)

这个模块要解决的，是“如何让机器人从别人的经验中学习”。

数据构成：

MM (Mobile Manipulator) ：本机型的移动操作数据。

ME (Multi-Environment) ：其他非移动机器人在不同环境下的数据。

CE (Cross-Embodiment) ：实验室环境下不同构型机器人的数据。

WD (Web Data) ：互联网上的视觉问答（VQA）和检测数据，用于提升对陌生物体的认知。

HL (High-Level) ：高层子任务预测数据，教机器人学会规划。

优势：如图 4 所示，这种混合策略让模型在面对从未见过的物体（Out-of-Distribution Objects）时，能利用 Web Data 中的常识进行推理，而不是傻眼。

关键模块二：两阶段训练与 FAST Tokenizer

为机器人打造“通用大脑”与“专业小脑”。

1、预训练 (Pre-training) ：目标是多样性。

混合了所有来源的数据，使用 FAST action tokenizer 将连续动作离散化，像训练 GPT 一样训练机器人预测下一个 Action Token。

2、后训练 (Post-training) ：目标是专业化。

加入口头指令 (Verbal Instructions) 数据，专注于移动操作任务，剔除部分实验室数据，让模型适应真实家庭的嘈杂环境。

关键模块三：真实家庭环境验证

展示了“Sim-to-Real”和“Lab-to-Home”的跨越。

实验设置：

Mock Rooms：搭建了可复现的模拟房间进行定量测试。

Real Homes：Z硬核的部分。在 3 个完全陌生 的真实家庭（Real Kitchens & Bedrooms）中部署机器人。

表现：如图 7 所示，在“整理抽屉”、“收集衣物”、“洗碗”等任务中，家庭大模型机器人π0.5 展现了惊人的鲁棒性。它不仅能听懂“把衬衫放进篮子”这样的指令，还能连续工作 10-15 分钟 不掉链子。