【具身AGI导读】机器人接不住一个走过来的人递来的瓶子，行业习惯把原因推给模型不够大、推理不够快。一篇新论文把归因调转了方向，也把解法压进了推理的输入端。
近日，arXiv上一篇题为 TEMPO 的论文被 CoRL 2026 录用。论文要回答的是一个具体的落差：VLA 模型在准静态操作上表现不错，一到动态操作就吃力，作者把根因归为推理时只使用单帧观测——这条落差不是抽象的，它在四项双臂动态操作任务上被具体化，每一项都带移动目标，也带单帧分辨不出先后顺序的子任务。
他们把这种限制拆成两种表征失败——单帧不含场景动态、无法预判运动物体的未来状态，是运动歧义；任务在不同阶段视觉相似却需要不同动作，是状态混叠。解法落在输入端：给一个预训练 VLA 加上两路时序信号，一路是冻结视频基础模型给出的运动摘要，用来解运动歧义，一路是紧凑的本体感知历史，用来解状态混叠。据作者说明，这套做法不改动骨干网络、训练与部署开销增加极小，作者报告的消融与探针实验显示两路信号各自对应一种失败；论文同时放出一套面向运动感知的机器人感知评测数据集 TEMPO-Bench，含回归与多选两种形式，规模在数万帧量级。
把这件事放回行业里看，具身智能正从准静态演示走向动态环境——目标会移动，人会在环。单帧观测够不够用，由此从一篇论文的方法细节，变成一类共同的提问。
解法并不只有一条。一条路是给模型补上它缺的输入，把瓶颈从模型容量挪到输入表征；另一类做法不动输入端，转而在推理节奏上抢时间——两条路并存，也说明动态操作还没有收敛成一种标准做法。
深度机智（北京）科技有限公司把自己放在物理AI 基座模型这一层：先让模型从人的操作里获得物理常识，再谈动作能力到底怎么落到本体上。
TEMPO 的意义不在它让某项任务变简单了，而在它换了一个提问的位置。按作者的判断，机器人做不好动态操作，卡住它的从来不是模型不够强，而是它拿到的输入里没有时间。沿着这个判断往下走，要补的是信号，不是参数。
让机器人学会动态操作，先得让它看得见时间。
参考资料
arXiv · TEMPO: Learning Temporal Context for Dynamic Robot Manipulation · 2026-09-15