# π0.5抓勺子失败就原地哆嗦,Orca却靠刷视频悟出的物理直觉更进一步 Agent Brief

## One-line ruling

世界模型的关键是可读出的状态

## Why it matters

- 文本生成对比:Orca-4B相对Qwen3.5-4B提升非均匀,空间关系几乎持平
- 图像预测基准:小模型(0.8B)不敌专用图像生成基线,大模型(4B)反超
- 抓取失败恢复:Orca能纠偏继续任务,π0.5反复失败后仍不稳定

## Core mechanism

- Orca核心架构:统一世界潜空间+三目标预训练,backbone冻结只训readout
- 专门构建125K小时视频+1.6亿事件标注,但当前训练只用了十分之一
- 动作生成对比:让Qwen3.5从0%成功率突破,且追平大规模机器人数据预训练的π0.5
- 三种下游读出机制:文本直出、图像接SD3.5解码器、动作接Action Expert

## Limitations

- 模型规模不够,语言/图像/动作三种读出能力之间存在此消彼长的权衡
- 用冻结预训练视觉编码器做监督目标是设计妥协,作者自己承认非理想方案
- PRICE-V0.1图像预测基准规模有限,作者自称只是初步评测

## Engineering implications

- 冻结backbone只训readout,验证潜空间本身质量
- 数据规模与模型容量要匹配,单独扩大数据不够
- 世界模型预训练可能是替代大规模机器人数据预训练的路径
- 均值宣称要拆解到各维度分别核实