大晓联合香港大学发布StreamPI，让 VLA 真正理解时间，迈向连续物理智能

大晓机器人联合香港大学发布 StreamPI（Streaming Multimodal Temporal Modeling for Vision-Language-Action Models），针对 VLA “单帧智能”瓶颈，补上时间维度。该方法将每个时刻组织为“视觉观测 + 任务指令”时序单元，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，在不增加额外参数的情况下，使 VLA 获得连续时序建模能力。实验显示，StreamPI 在 LIBERO-Long 上从 π0.5 的 92.4% 提升至 95.0%；在 CALVIN 上平均连续任务长度达 4.547，超过 π0.5 的 4.313 和 MemoryVLA 的 4.090。真实机器人任务中，“猜杯子”成功率从 46.7% 提升至 80.0%，滚动物体抓取从 26.7% 提升至 63.3%，窄瓶口插笔从 40.0% 提升至 66.7%，纸杯插入杯套从 60.0% 提升至 92.0%。研究推动 VLA 从识别当前状态走向理解连续物理过程，迈向时空智能。Paper、Project、ArXiv、Code 已公开。