Psi0

Psi0 是一个面向通用人形机器人灵巧运动操控的开源视觉-语言-动作（VLA）基础模型。它融合视觉-语言理解与动作生成能力，采用双系统架构：基于Qwen3-VL-2B-Instruct的视觉语言骨干网络提取多模态语义特征，配合受Stable Diffusion 3启发的流式多模态扩散Transformer预测全身动作序列，并通过底层RL控制器实现物理执行。支持仅用80条轨迹即可高效微调新技能。适用于人形机器人在真实环境中的长时程、高自由度操作任务，如物体抓取、行走交互、复杂场景导航等研究与开发场景。