让模型从“看见瞬间”升级为“理解过程”

本报讯（记者 郜阳）当VLA（视觉—语言—动作模型）理解语言、感知环境并直接生成机器人动作时，一个更基础的问题开始浮现：机器人如何理解一个持续变化的物理世界？物体从哪里移动而来、机械臂正在接近还是远离目标——真正决定下一步动作的信息，往往不只存在于当前一帧，而存在于连续的时间之中。

近日，申城具身智能企业大晓机器人联合香港大学发布全新的连续物理智能研究成果StreamPI，直指VLA长期存在的“单帧智能”瓶颈，为其补上关键的“时间维度”。

不同于传统VLA主要依据当前观测独立决策，StreamPI为模型建立持续的多模态时序上下文，使机器人能够记住过去、理解状态变化、判断任务进程，并利用跨帧信息增强精细空间感知与动作决策。

更重要的是，StreamPI并未依赖额外参数堆叠换取时序能力，而是基于现有VLA骨干，通过指令持续锚定、历史信息流式缓存与随机时间间隔训练，实现从单帧决策到连续时序建模的轻量化扩展。在“猜杯子”和滚动物体抓取任务中，StreamPI都将成功率大幅提升。

研发人员介绍，StreamPI探索的不只是“让VLA多看几帧”，而是让机器人开始同时理解空间、时间与状态演化，为具身基础模型从面向单一时刻的瞬时动作智能迈向真正面向动态世界的连续物理智能提供新的技术路径。

下一步，研发团队将探索超过100帧的高效时序训练与自适应缓存裁剪，将机器人的时序理解进一步延伸至更长、更复杂的真实任务。