发布时间：2026年10月13日 我们通过Pi API测试版提供最新模型的训练和推理。部署机器人具有挑战性。开发人员除了识别正确的用例并构建合适的硬件外，还需要足够智能的模型来执行手头的任务。通用的机器人基础模型，例如π 0和π 0.5，提供了一种有前景的方式来应对这一挑战。它们提供了一个强大的物理知识和能力基础，显著减少了适应新任务、新环境或新机器人的数据和努力。但是，适应它们仍然需要机器学习基础设施、计算能力和复杂的数据管道，这些本身就很困难。如果最新、最强大的机器人基础模型能够通过简单现成的API适应每个应用怎么办？Pi API为您做到了这一点。您上传数据，在我们管理的计算机和基础设施上启动微调，并通过托管网关访问微调后的模型以进行推理。通过API提供的最新模型已经为我们的合作伙伴提供了更高效的数据微调和更强大的能力。由于Pi能够快速更新支撑API的模型，我们计划继续提供访问我们最新和最强大模型的途径。推出测试版是我们为社区提供物理智能基础的第一步，使其能够建立自主性。为了确保API支持多样化的应用程序，我们试图回答两个关键问题。首先，我们的模型是否支持不同产业中广泛的应用程序和机器人硬件？其次，API使开发者向实用自主性迭代的难易程度如何？支持不同行业中的广泛应用为了发现我们的模型能够适应的广度，我们与部署机器人以构建其应用程序的公司密切合作。这些合作使我们能够验证我们的模型在不同任务、硬件和操作环境下的表现。演员公司部署自主重型机械。他们的自主轮式装载机在没有操作员在机器内部的情况下，在实际商业部署中挖掘材料并将其装载到自卸卡车中。促进向实用自主性的独立迭代在这些初步合作中，出现了一个共同模式。挑战因任务而异：一个从外到内的衣物、一个不能停留在铲子里的成分、一个落在错误位置的制造部件。但提高性能的过程大致相同：收集演示，训练模型，在机器人上测试，并利用失败决定接下来收集什么数据。我们构建API让开发者自己运行这个迭代循环，使用我们最新的模型。API工作流程：上传您的数据，微调π模型，通过托管推理在您的机器人上运行。使用评估数据指导下一次迭代。我们向少数公司提供了API的早期访问，以测试他们是否能够独立提高自主性。我们对他们开展工作并开始取得进展的速度印象深刻。他们的经历提供了对您可以用自己的机器人和数据做些什么的一个瞥见。杏仁公司构建Axol，这是一个为物理AI构建者而设计的双臂机器人。他们的目标是让Axol自我构建。在这里，Axol去毛刺用于自身组装的间隔器，运行团队在与Pi API迭代四天后获得的模型。上面显示的大多数应用，从日本到瑞士再到美国各地的部署，都是通过API进行云托管推理的。这些早期部署跨越了各种环境和任务，并突出了改善的领域，包括某些的网络连接挑战。根据反馈改进我们的模型使用得越多，我们就越能了解到如何改进它们：通过了解我们当前模型在真实应用中的潜力和局限性，我们可以使下一代模型更具广泛适用性，并在真正通用的物理智能方面取得切实进展。但现实世界任务的范围是巨大的，理解机器人可以做的广泛任务需要使我们的模型适用于这些任务。现实世界的机器人应用并不容易：应对机器人建筑、机器人手术或仓库自动化每一个都需要整个公司。如果每个这样的应用都需要从头解决物理智能问题，挑战就变得不可克服。通过通过API提供我们的模型，我们加速了机器人生态系统的增长，并在这个过程中推进了我们对物理智能的理解。上面的例子表明，我们开发的模型可以用于真实的、有用的应用，并且我们的合作伙伴能够使用API独立迭代政策并提高他们任务的自主性。我们仍处于早期阶段，