机器人至今只会看照片：StreamPI 用 9.2 毫秒给 VLA 补上时间这一维

先出道题。你盯着一张厨房照片看十秒，然后闭眼回答：水壶里的水现在晃不晃？锅盖是正在被掀开，还是刚被盖上？

答不上来。一张照片里没有"正在"，只有"是"。全世界的机器人至今就吃这张照片过日子——VLA（视觉-语言-动作）模型的主流打法是单帧输入：看一眼，动一下，再看一眼。论文原文管这叫 single-frame paradigm，"单帧范式"，连 π0.5 这个 Physical Intelligence 的旗舰也不例外。

8 月 26 日挂上 arXiv 的 StreamPI（编号 2608.26067），想补的就是这个：让机器人从看照片升级成看视频。

做法说穿了不玄。 把每个时刻打包成一个"视觉观测 + 语言指令"时序单元：单元内部用双向注意力做图文融合，单元之间用因果注意力保证只能看过去、不能偷看未来。指令每个时刻都重新绑一遍，论文管它叫"语义锚点"——机器人干到一半也不会忘了自己要干嘛。历史帧不重新算，塞进 KV 缓存滚动复用。最妙的是参数量：零新增。没有视频编码器，没有记忆模块，就是在 π0.5 的注意力结构上动刀。

训练时玩了个花活：随机时间间隔。帧与帧的间距随机取，还会随机藏掉一些早期帧。这样练出来的模型对"帧什么时候来"不敏感，真机上摄像头卡一下、丢一帧，照样能干活。训练 T=5 帧、推理只喂 1 帧，LIBERO 平均分还能保住 97.1——弹性是真的。

数字我逐个对过论文表格。 LIBERO 四项套件，π0.5 平均 96.9，StreamPI 五帧版 98.3；最能考记忆的 LIBERO-Long，92.4 涨到 95.0。CALVIN 长程链式任务更有说服力：平均连续任务长度 4.547，压过 π0.5 的 4.313，也压过专攻记忆的 MemoryVLA 的 4.090——链条走到第五步，MemoryVLA 掉到 69.4%，StreamPI 还剩 85.0%。专做记忆的被做记忆的打败，论文补刀说原因是"误差随长程累积"。

真机四任务是我最喜欢的一组。猜杯子（Shell Game），纸杯换位几轮后让机器人下注，46.7% 对 80.0%——单帧模型根本不知道杯子刚被换过手。滚动物体抓取翻倍还多，26.7% 到 63.3%。这些任务共同点只有一个：答对了要靠"刚刚发生了什么"。

代价呢？4090 上推理延迟从 94.4 毫秒涨到 103.6 毫秒，五帧只多 9.2 毫秒。缓存复用的功夫全在这 9.2 毫秒里。

冷水照例得泼几盆。 一，"连续物理智能""时空智能"这些漂亮词全来自新闻稿，论文里一处都没有，论文自称 streaming multimodal temporal modeling，老实本分。二，新闻稿里"96.4% 提升至 97.5%"那组基线出自消融实验表格，不是 π0.5 的正牌成绩 96.9，粗心的读者容易把起点看低。三，真机每任务只有 15 到 30 次评估，没有误差棒——一次实验值 3 到 7 个百分点，猜杯子那个 +33.3 未必次次都能复现这么漂亮。

顺带排个雷。 中文报道里的"大晓机器人"，英文注册名是 ACE ROBOTICS，上海公司，商汤联合创始人王晓刚当董事长，陶大程任首席科学家；蚂蚁集团今年 2 月领投了它的天使轮——是投资人，不是东家。蚂蚁自己的具身公司叫 Robbyant（蚂蚁灵波），做的是 LingBot-VLA，另一家另一套模型，别混。StreamPI 的技术底座是 Physical Intelligence 开源的 openpi。这个 F 家谱系，中文报道一个字没提。

论文十位作者八个来自港大（通讯作者赵恒爽，SAIL 实验室），代码已开源在 hku-sail/StreamPI，四天 146 颗星。项目主页写着 8 月 30 日公开发布——今天。去看的话，视频都在。

具身智能这两年卷参数、卷数据、卷控制频率，时间维度反倒一直空着。StreamPI 用 9.2 毫秒的代价把这一维补上了。补得值不值，让下一批复现说话。

参考资料：论文 arXiv:2608.26067｜代码 hku-sail/StreamPI｜项目主页｜雷峰网 8-28｜量子位：蚂蚁天使轮