一个人拿着瓶子从机器人面前走过。相机拍到的这一帧能告诉机械臂瓶子在哪里，却不能告诉它瓶子正往哪边走；机械臂刚伸手还是已经接住准备收回，画面也可能几乎一样。对需要拦截、追踪和切换动作阶段的机器人来说，反应更快并不能补回这些缺失的信息。
加州大学欧文分校团队 9 月 15 日提交的 TEMPO，选择不给视觉语言动作模型（VLA）继续扩参数，而是在现有模型旁边补两段历史：一段概括最近的画面变化，一段记录机器人自己刚做过什么。在作者的双臂真机实验中，把这两种信号接到 VLASH 后，接瓶成功率由 38% 升至 74%。这项工作最有价值的地方不是又刷新一个任务分数，而是把“机器人慢半拍”拆成了两个不同问题：动作算得太晚，以及模型根本没看见时间。
异步推理解决停顿，却没有告诉模型物体往哪走
VLA 通常一次生成一串动作。同步执行时，机器人要等模型算完再动，动作块之间会停顿；RTC 和 VLASH 等异步方法让机器人一边执行上一串动作，一边计算下一串，从而降低反应延迟。VLASH 还会根据已经发出的动作推算新动作真正开始执行时的机器人状态，减少“按旧状态规划、在新状态执行”的错位。
TEMPO 针对的是另一层缺口。即使推理没有延迟，单帧也只给出物体的位置，不包含速度和方向。相似画面还可能来自不同任务阶段：机械臂伸向瓶子和放下瓶子后收回，下一步动作相反。论文把前者称为“运动歧义”，把后者称为“状态混淆”。
这一区分得到实验中的一个反例支持。在 Drop Catch 任务中，机器人要跟随一只横向移动的手并接住落球，RTC 成功率为 80%，高于 TEMPO 的 66%。作者据此把这项任务归为反应时机主导：缺失历史不是每个动态任务的最大瓶颈，降低延迟仍然有独立价值。
一段看外界运动，一段记录机器人走到哪一步
TEMPO 的第一路输入 TEMPO_MOT 使用冻结的 SAM 2.1-Tiny 视频模型。它把当前画面的特征作为查询，与此前若干帧的缓存特征做交叉注意力，压成一个运动表示。视频编码在后台线程持续运行；作者使用的 RTX PRO 6000 上，每帧约需 11 毫秒，VLA 读取额外表示后，前向时间从 VLASH 的 33.8 毫秒增至 35.3 毫秒。
第二路输入 TEMPO_ACT 不看图，而是汇总机械臂最近发出的本体动作命令。论文把 300 条命令分成 10 桶，每桶对连续 30 条命令取平均。在默认 30 Hz 控制频率下，这相当于用 10 个向量概括约 10 秒的动作历史，让模型判断抓取、跟随、释放或收回进行到哪一步。
两路信号被投影成额外 token，接到预训练 VLA 的前缀和动作专家中，不改动主干，新增约 200 万参数，占模型的 0.08%。接瓶消融中，只用动作历史为 52%，只用运动表示为 56%，两者合用达到 74%；两种历史提供的是互补信息，而不是同一种信号的重复编码。
“44% 到 74%”不是同一底座的前后对照
论文摘要用“接瓶从 44% 提升至 74%”概括结果，但这两个数字来自主表中的不同方法：44% 是 RTC，74% 是以 VLASH 异步管线为基础的 TEMPO。真正控制底座的插拔实验给出了三组对应关系：原始 π0.5 为 26%，加 TEMPO 后为 56%；RTC 为 44%，加后为 80%；VLASH 为 38%，加后为 74%。因此，TEMPO 在作者设置中的提升成立，但不应把 44% 和 74% 解读成同一个模型加模块前后的直接变化。
每个数字来自 50 次真机执行。接瓶任务中，TEMPO 成功 37 次；VLASH 成功 19 次，RTC 成功 22 次。作者还逐次查看失败，发现两种异步基线最常见的问题是机械臂伸向错误位置、完全错过瓶子：VLASH 18 次、RTC 24 次，TEMPO 降到 10 次。这与运动信息帮助预测拦截点的解释一致。
另外两项任务揭示了主表容易忽略的实验处理。Flick Catch 和 Wine Pour 的完整流程都包含“伸手取物”和“放下后收回”这两个视觉相似、动作相反的阶段。RTC 与 VLASH 在完整任务的 50 次测试中全部失败，作者于是删去训练和评测数据里的释放—收回片段，再把修剪后的成绩放进主表。回到未修剪流程，TEMPO 在 Flick Catch 达到 68%，在 Wine Pour 保留了 97.6% 的珠子质量。
这里的 97.6% 不是二元任务成功率，而是最终落入容器的珠子质量比例。论文把它与另外三项任务的成功率一起求平均，因此主表的 76.0% 更适合看作四个任务指标的算术汇总，不能当成统一口径的“平均成功率”。
5.5 万个可见物体帧已上线，许可和题型还没收尾
作者同时发布 TEMPO-Bench，用逐帧物体位置和速度检查模型内部是否真的编码了运动。仓库包含 257 段、97,265 帧双臂机器人记录，其中 182 段带物体轨迹标注，55,482 帧成功定位到物体。论文所说的“超过 5 万标注帧”，对应的是能看到目标物体的帧数，不是 5 万个独立任务。
覆盖也不均匀。接瓶数据有 90 段记录，只有 24 段带物体轨迹；快速运动和遮挡还会制造跟踪缺口。速度标签来自二维像素位置的前向差分，不是三维真实速度。它适合测试视频编码是否比单帧位置多保留了运动信息，不能直接充当机器人在物理世界中预测速度的完整基准。
论文称 TEMPO-Bench 同时提供回归和多选题格式，但截至目标日期前的公开仓库，README 和文件树主要说明回归字段，没有给出可定位的多选题文件或运行说明。仓库许可证也仍写着“仅供内部研究使用”，并要求在对外发布前替换为正式条款。文件可以下载，不等于数据已经具备清晰的再分发与复用许可。
现在能下的结论，是时间信号值得单独建模
TEMPO 证明了一个比“模型再快一点”更具体的工程判断：动态操作至少需要同时知道外界怎么动，以及机器人自己做到哪一步。作者在同一 π0.5 模型家族和一套双臂平台上，让这两种历史信号在四项任务中产生了可观改善；代价只增加少量参数和约 1.5 毫秒的策略前向时间。
它还没有证明扩大模型无效。论文没有跨参数规模做系统对照，三组插拔实验也都围绕同一预训练模型家族；每种策略只报告一次训练后的 50 次执行，没有给出跨训练种子的波动。下一步真正决定这条路线能否泛化的，不是继续比较一个接瓶百分比，而是让独立团队在不同机器人、不同 VLA 底座和未修剪长流程上复现结果，并把 TEMPO-Bench 的题型、标注缺口和许可补齐。
