大曉機器人與香港大學發布 StreamPI，為 VLA 模型引入流式時序快取，真機猜杯子成功率達 80%

大曉機器人聯合香港大學發布連續多模態時序建模方法 StreamPI，旨在解決 VLA（Vision-Language-Action）模型依賴單幀決策的瓶頸。StreamPI 不依賴額外參數堆疊，而是基於 π0.5 等現有 VLA 骨幹重構注意力機制。該方法將每個時刻組織為「視覺觀測 + 任務指令」時序單元，並採用流式推論（Streaming Inference），將首幀觀測編碼存入鍵值快取，後續僅處理新資訊並調用歷史表示，避免重複計算整個觀測窗口。 為適應真實世界相機與機械臂的時間延遲波動，StreamPI 引入隨機時間間隔訓練（Random-Interval Streaming Training），隨機改變歷史觀測間距並隱藏部分早期資訊。在 LIBERO 測試中，三幀輸入平均成功率從 96.4% 提升至 97.5%，依賴長程上下文的 LIBERO-Long 成功率從 π0.5 的 92.4% 提升至 95.0%。在 CALVIN 測試中，平均連續任務長度達 4.547，超越 π0.5 的 4.313；推進至第五步時成功率仍達 85.0%。 在基於 100 條人類遙操作示範的真機任務中，需要持續記憶軌跡的「猜杯子」任務成功率從 π0.5 的 46.7% 提升至 80.0%；滾動物體抓取從 26.7% 提升至 63.3%；窄瓶口插筆從 40.0% 提升至 66.7%；紙杯插入杯套從 60.0% 提升至 92.0%。團隊未來計畫探索超過 100 幀的高效時序訓練與自適應快取裁剪。