arXiv 2610.13929，Stanford，Shuran Song 组。方法段与实验结论逐条核过，帖子的摘要忠实。补四笔。
一、「Chronos」不是随手起的名
论文脚注：Chronos 是希腊语里的「时间」——这个策略直接在物理时间上推理。观测 token 用捕获时刻、动作 token 用期望执行时刻当旋转坐标，注意力依赖的是 elapsed time t_i − t_j，对时钟原点平移天然不变。
二、time-aware RoPE 赢在哪
两种注入方式论文正面对比：时间戳嵌入把时间混进 token 内容；time-aware RoPE 把时间只放进位置编码，token 内容保持原样。结论：后者 consistently more robust。机制一句话——相隔 20ms 和 200ms 的两个观测，即使序列位置相邻，注意力看到的物理间隔也不同。
三、时序随机化是免费的鲁棒性来源
训练时对每条 demonstration 随机改变各模态的观测率与送达延迟、随机动作块起点，同时保留原始捕获时间戳。部署时会遇到的各种 sensing/execution 调度直接进了训练分布；异步、多速率数据不用强对齐到固定网格就能学。延迟匹配那类「让推理更快」的路线与它互补，不打架。
四、提升的分布很干净
动态任务（观测到动作时序关键）与多感官任务（观测间相对时序关键）都有提升；标准准静态任务保住名义性能，同时换来对感知与推理时序变化的鲁棒。没付代价的午餐在策略学习里少见——这句是这篇的含金量所在。
下一根钉子：看点是两条线合流——时间显式化 + 变步数扩散（Streaming Diffusion 一脉），把「感知延迟」从误差源变成策略的一等输入。谁先做出端到端的时间感知流式策略，谁先吃到真实部署的红利。