Playwright还是Selenium：短用例更快，不代表旧测试都该迁移
新闻 1
Pi API开放机器人模型微调：四天做出演示仍非即插即用
Physical Intelligence在2026年10月13日的Pi API测试版公告中开放机器人模型的托管微调与推理，并展示早期合作方Almond经过四天API迭代获得的模型：Axol双臂机器人用它为自身装配所需的垫片去毛刺。开发团队可以上传任务数据，在平台管理的算力上微调模型，再通过托管网关运行推理；数据采集和机器人上的效果评估仍要由团队完成。
接入目前需要申请，测试版按批次开放。explainx对早期案例的分析指出，Almond的结果来自特定团队的厂商演示，不能据此推定其他机器人也能以相同速度投入使用。另一个合作方Actor展示了在商业场地铲取物料、向自卸卡车装载的无人驾驶轮式装载机；两项任务对硬件和现场条件的要求明显不同。
数据上传之后，Pi API接管哪些工作
Pi API把模型适配中的算力、训练环境和推理服务交给平台管理。团队需要先取得与目标任务相关的示范数据并上传，然后发起微调；适配后的模型通过托管网关供机器人调用。这使开发者可以围绕自身任务反复训练和运行模型，无须为每次迭代自行维护相应的训练基础设施。
上传入口并不会替团队决定哪些示范值得收集。示范必须对应机器人实际要执行的动作、接触的物体以及作业环境；训练完成后，团队还得把模型放回同一类硬件上观察结果。若机器人抓取了零件却未放到目标位置，下一轮所需的数据就与机械臂根本没有接触零件时不同。把失败归入具体状态，才能确定补充哪类示范。
Actor的装载任务说明了统一接口与任务适配的区别。轮式装载机要在商业场地铲起物料并装入卡车，面对的是车辆运动、物料位置和现场空间；Axol处理的则是自身装配所用的小部件。两者可以使用相似的模型迭代路径，但每个团队仍要提供适合其机器与工序的数据，并在各自的设备上判断动作是否达到任务要求。
Almond的去毛刺演示能说明什么
Axol的演示显示，合作方可以通过API迭代，得到用于自身机器人和具体工序的模型。这里的可见结果是双臂机器人处理装配垫片，而非一项覆盖不同机器人、零件与生产条件的通用能力。演示速度反映了Almond这次模型迭代的经历，没有给出从硬件准备、数据采集到持续作业验收的完整用时。
去毛刺尤其依赖模型动作与实体部件的配合。机器人要接近垫片、处理边缘，并在操作过程中保持部件处于可处理的位置；单看模型已经完成微调，无法判断这些动作在实机上是否可靠。如果部件摆放或夹持状态改变，团队仍需观察机器人如何响应，再决定是否增加相应示范。
这项案例也没有提供可供其他团队套用的数据量或长期成功率。判断托管微调是否节省工作，应看团队是否因此减少了训练设施的搭建与维护；判断任务能否部署，则要看自己的机器人在目标条件下能否持续完成动作。两个判断涉及不同环节，演示画面只能直接呈现其中一部分。
失败案例如何进入下一轮训练
模型首次在机器人上运行后，工作流转向实机评估和数据回收。早期合作中出现过衣物翻到反面、配料无法留在勺中，以及制造部件落在错误位置等问题。它们分别涉及物体状态、操作过程和目标落点，提示团队应记录失败发生时的具体条件，而不是只统计任务有没有完成。
团队需要在硬件上观察失败，判断示范数据缺少了哪种物体状态或动作，再采集数据并重新微调。例如，衣物翻面改变了机器人面对的可见形态和可抓取位置；若原有示范没有覆盖这种状态，新的数据就应针对这一变化。重新训练之后仍要回到机器人上评估，才能知道原来的问题是否得到改善。
平台让训练和模型调用更容易重复，却无法替代现场对结果的判定。配料离开勺子可能发生在舀取、移动或投放过程中的不同位置；制造部件放错位置也可能对应不同的接近与释放动作。只有把失败定位到任务过程，下一轮示范才有明确目标。这正是机器人团队在API之外仍需承担的工作。
托管推理要面对现场网络
托管网关把推理服务接入机器人，也使网络连接成为现场运行条件。已展示的多数应用采用云端托管推理，部署地点横跨日本、瑞士和美国；部分早期应用遇到连接问题。对需要连续执行动作的机器人，模型能否在实际场地稳定返回输出，与模型能否完成训练同样需要验证。
网络问题的影响取决于机器人的任务和部署方式。装载机在室外商业场地作业，与双臂机器人处理装配垫片，所需的动作节奏和连接环境可能不同。团队必须在目标地点观察请求模型、执行动作和连接中断时的实际表现，才能评估托管推理是否适合该工序。现有演示没有给出适用于所有场地的延迟或可靠性保证。
测试版申请要求说明机器人与任务
Pi API的官方测试版申请表写明将分批接入团队，并要求申请者说明具体任务、机器人形态、已收集的遥操作数据、计划使用的仿真数据和任务成功标准。表单还询问团队此前是否采集过机器人数据、训练过策略并在实机上评估，以及需要云端、本地还是两种推理方式；这一选项本身并不表示本地推理已经向申请者开放。
申请者因此需要交代手头已有的机器人、数据和要完成的动作，之后等待接入安排。对获得访问权限的团队，接下来的关键结果将来自自身硬件上的任务评估、失败数据回收，以及目标场地的推理连接表现；这些结果才能说明演示中的迭代速度能否转化为持续作业能力。
相关阅读：
相关文章
订阅我们的新闻通讯
将最新 Web3、AI 和加密货币新闻直接发送到您的邮箱。
0