量子位发布的模型π0.7在机器人领域展示了组合泛化能力，能够根据新任务组合已有技能，无需专项训练，表现优于经过微调的专家模型。研究表明，该模型通过多样化的提示和质量标签，有效利用各种数据，提升学习效果，标志着具身智能的新发展，推动机器人技术进步。

本文探讨了条件扩散模型的组合泛化能力，特别是长度泛化，即生成比训练时更多物体的图像。研究发现，模型在某些情况下能够实现长度泛化，表明它们有时学习到组合结构。成功的CLEVR模型展示了局部条件分数，而失败的模型则没有。强制局部条件分数的干预可以恢复失败模型的长度泛化能力。