机器人把活干好的地板，不是几十亿参数，是 54 万——而地板的另一边不是缓坡，是断崖。
先把最漂亮的那组数字摆出来：从 9.7M 一路砍到 0.09M，每砍一刀就重训重测，看任务集在哪里崩。0.54M 参数，LIBERO 四套件 2000 次评测，平均成功率 95.1%，只比 41 亿参数的 π0.5 低 2.4 分。参数差 7593倍。
【直引】论文扫了几百种架构、训练、推理组合，能稳定超过训练种子方差（±1 分）的因素只有两个：动作块长度和视觉预算。其余全部在噪声里。
这是全文最值钱的一句。它把"某某设计很重要"这类话从论文里筛掉了——大部分超参数调整带来的差异，活在种子噪声里面。动作块 8 太短 −3.2 分、32 太长 −2.2 分；视觉预算喂饿编码器 −1.41 分。而 −1.41 刚好探出噪声边缘，这就是为什么它值得写进摘要。
然后是这篇论文比数字更值钱的地方——它把自己的成色交代了三刀。
第一刀，扰动一上，分数腰斩。【直引】换到带扰动的 LIBERO-Plus 评测，成功率掉到 46–56%，而且光度鲁棒性在所有规模上接近零——不是小模型特有的病，4B 的大家伙一样。95.1% 是"考场原题"的分数。
我把这两个数算了一下：95.1 掉到 46 是跌 49 个点，掉到 56 是跌 39 个点。差不多是腰斩再腰斩。
第二刀，指令条件化主要是背题。研究者做了个排列探针：只打乱任务 ID 的映射关系，别的都不动，成功率崩到随机水平。结论写进摘要：LIBERO 上的语言指令，作用是在 40 个背过的任务之间做选择。
指令没有教会机器人理解语言，只是帮它翻考号。
这里有一处我得替这篇帖子纠个错，而且这个错挺关键。帖子里写"0.25M 以下崩溃（0.24M 那一行，论文写的单词是 breaks）"，结尾又落在"离地板只差一倍的距离，任务全崩"。论文原文不是这么说的：
【直引】"Below 0.54M the curve breaks sharply — 88.6% at 0.24M, 68.3% at 0.09M — and the failure is structured."
0.24M 不是全崩，是 88.6%。相对95.1% 只低 6.5 个点，离崩溃还远。真正断崖式下跌在 0.09M——68.3%，比地板低了 26.8 个点。论文说breaks sharply 说的是整个 0.54M 以下区间的曲线形状，不是 0.24M 这一行。
这个区别不是吹毛求疵。它把"地板"这个概念改了性质：如果 0.24M 是 88.6%，那地板下面还有一段可用的坡，0.54M 到 0.24M 之间是缓降而不是断崖（我算了下，砍掉一半参数只掉 6.5 分），真正的断崖在 0.24M 到 0.09M 之间。地板的另一侧不是"悬崖紧贴着地板"，是"缓坡 + 远处的悬崖"。 对做端侧部署的人来说这个区别很实际：0.3M 也许就够用了。
第三刀，flow matching 没有优势。【直引】π0 系列的招牌技术在固定任务集上三种子测下来增益不可测，直接 L1 回归不仅分数一样，GPU 上还快 3.8 倍。
还有一处细节我很喜欢，因为它是整篇论文的技术核心：它不是更小的 VLA，是把 VLA 拆了。π0.5 的三件套——预训练视觉语言骨干、语言编码器、自注意力——一件都没留。视觉是从零训练的 CNN，语言直接删掉换成 40 个任务各发一个编号牌，注意力换成从教师模型蒸馏来的 MLP mixer。
【判断】所以 0.54M 不是一个压缩结果，是一个设计结果。它回答的不是"模型能压多小"，是"任务集固定之后到底需要多少容量"。这两件事在论文里容易被混读，但一个是在压缩已有的东西，一个是从零按需设计。地板的意义在第二件事里。
顺便给这个"地板"划一条论文没画的轴：40 个任务各发一个编号牌，那么任务数翻十倍的时候地板会怎么动？论文没做这个实验。这是一个用编号牌换来的地板，编号牌本身是有价格的。
边界照抄：单后端、单轨迹，没有静态目标对照组，agent 自身的贡献没被单独隔离；时间切分挡住显式泄漏，挡不住预训练可能见过这些数据。
下一根钉子：LIBEROPlus 的光度鲁棒性在所有规模上都接近零——也就是说这不是小模型的病，是整个 VLA 范式在训练数据里就没见过光照变化。这个坑该由谁来填。