π0.7 (pi-0.7)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Physical Intelligence
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 16 April 2026
- Autores
- Bo Ai, Ali Amin, Raichelle Aniceto, Ashwin Balakrishna, Greg Balke, Kevin Black, George Bokinsky, Shihao Cao, Thomas Charbonnier, Vedant Choudhary, Foster Collins, Ken Conley, Grace Connors, James Darpinian, Karan Dhabalia, Maitrayee Dhaka, Jared DiCarlo, Danny Driess, Michael Equi, Adnan Esmail, Yunhao Fang, Chelsea Finn, Catherine Glossop, Thomas Godden, Ivan Goryachev, Lachlan Groom, Haroun Hab…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Robotics, Vision
- Tarea
- Robotic manipulation
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 5.3B
- Datos de entrenamiento
- tokens
"nitialized from the Gemma3 4B-parameter VLM [106] [...] (including a 400M-parameter vision encoder), and a flow matching action expert with 860M parameters. The model has about 5B total parameters."
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- π0.7: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities
- Última actualización
- 13 May 2026
Qué significan los números
Acerca de este modelo
π0.7 (pi-0.7) fue publicado por Physical Intelligence, en el país registrado como United States of America, durante April 2026. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Robotics, Vision, y se registra como realizando la tarea de robotic manipulation.
Sus pesos nunca fueron publicados, por lo que solo se puede acceder a través de su proveedor. No hay cambios en la tarjeta gráfica que eso.
Respuestas
π0.7 (pi-0.7) — preguntas comunes
π0.7 (pi-0.7)— ¿Quién lo creó?
Fue publicado por Physical Intelligence, basado en United States of America, una organización categorizada como industry.
π0.7 (pi-0.7)— ¿cuándo fue lanzado?
Se publicó en April 2026.
π0.7 (pi-0.7)— ¿Para qué se utiliza?
Funciona en el dominio de Robotics, Vision, y se registra como manejando la tarea de robotic manipulation. Estas son las áreas en las que fue diseñado; describen la intención más que un límite estricto.
π0.7 (pi-0.7)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
π0.7 (pi-0.7)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
π0.7 (pi-0.7)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 5.3B. "nitialized from the Gemma3 4B-parameter VLM [106] [...] (including a 400M-parameter vision encoder), and a flow matching action expert with 860M parameters. The model has about 5B total parameters.". Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.