当前位置：首页 > news >正文

看完Chronos后，这个0.3B的小模型居然超过π0.5六倍！

news 2026/7/8 3:40:04

机器人真正困难的，从来不只是“看清眼前”，而是“记住刚刚发生过什么”。在许多长时序操作里，当前画面可能一模一样，但正确动作却完全不同：有时该继续抓取，有时该返回，有时该按下按钮，有时必须记住刚才被遮住的颜色位置。

然而，即使是强大的视觉-语言-动作模型，如果只依赖当前观测，仍然会在这种场景里迷路。

原文链接：看完Chronos后，这个0.3B的小模型居然超过π0.5六倍！

近日，华中科技大学提出的Chronos 给出了一个直接而锋利的答案：历史不是辅助上下文，而应该成为机器人策略动力学的潜在状态。

通过全历史状态空间建模、IMLE 多模态动作先验与二阶 Schrödinger-inspired 动作桥，Chronos 这个0.3B的小模型在 16 个仿真任务和 4 个真实双臂实验中展现出惊人表现。在 RMBench 记忆依赖基准上，Chronos 达到 73.6% 平均成功率，相比强 Markovian VLA 基线 pi0.5 提升 +62.4 个百分点，成功率约为其 6.6 倍，同时参数量仅为其10%！

相比强记忆力 VLA基线 Mem-0，也高出 22.8 个百分点，同时参数量仅为其3%！在四个真实世界双臂实验中，Chronos 仅用单个 RGB 相机实现 78% 平均成功率，其中在三个记忆依赖任务上达到 72%，而 pi0.5 在这些任务上为 0%。

**论文标题：**Chronos: A Physics-Informed Full-History Framework for Non-Markovian Long-Horizon Manipulation

**论文：**https://arxiv.org/abs/2606.30318

**主页：**https://chronos-manipulation.github.io/

**代码：**https://github.com/yulinzhouZYL/Chronos

一、机器人不会做长任务，是因为“不聪明”，还是因为“记不住”？

过去一年，机器人基础模型发展很快。VLA、WAM、大规模动作生成模型不断刷新人们对通用机器人的想象：机器人似乎已经可以听懂语言、识别物体、规划动作，并在越来越多任务中表现出接近“智能体”的行为。

但当任务从“抓起一个物体”走向“完成一串步骤”时，问题立刻变得尖锐。真实操作不是单帧图片分类，也不是一步到位的动作回归。整理桌面、交换物体、遮挡后按顺序取回目标、先按按钮再回到中间状态——这些任务都要求机器人记住自己刚刚做过什么、见过什么、现在处在哪个阶段。

最致命的是：很多失败并不是因为机器人看不见，而是因为它“看见了同一幅画面，却不知道这幅画面背后对应哪段历史”。同一个视觉状态，在不同阶段可能要求完全不同的动作。人类做这类任务时会自然利用记忆；而许多机器人策略仍然习惯走一条捷径：只看当前观测，最多再加一个短窗口，然后假设当前画面已经足够决定下一步。

Chronos 针对的，正是这个长期被低估却极其关键的问题：长时序操作中的非马尔可夫性。机器人要真正进入复杂现实世界，必须不只是“会看”，还要“会记”。

二、Markovian Shortcut：强大 VLA 也会踩中的盲点

当前很多机器人策略，本质上仍然依赖一种 Markovian shortcut：把当前观测或短窗口观测当成足够信息，直接生成动作。这个假设在短任务、可见任务、单步抓取任务中往往有效，因此容易被模型规模和数据规模掩盖。

问题在于，现实长时序任务并不总是把答案写在当前图像上。比如一个方块已经被盖住，机器人之后看到的只是盖子；一个按钮被按过三次，画面未必告诉你现在是第几次；一个中间阶段完成后，场景可能回到与初始相似的位置，但下一步动作却不再相同。此时，如果策略没有稳定保存历史，就会出现看似“莫名其妙”的失败：提前按终止按钮、跳过中间步骤、在原地犹豫、重复同一个动作。

这并不是说大模型没有价值。恰恰相反，大模型在语义理解、视觉泛化和开放词表任务上已经展现出很强能力。但 Chronos 指出的关键是：模型再大，如果策略状态没有真正承载有效历史状态，它仍然可能在非马尔可夫任务里迷路。长时序操作需要的不只是更大的参数量，而是更正确的状态建模方式。

三、Chronos 的核心判断：历史不是上下文，而是状态

Chronos 在长时序方面最核心的思想可以用一句话概括：把 observation history 从辅助上下文上升到 policy dynamics 的 latent state。

这句话听起来简洁，但背后是一种非常重要的建模转向。传统做法常把历史当成额外输入：把过去几帧拼起来，或者把历史观测直接用一个上下文窗口保存。这样做的问题是，历史仍然是附属信息，模型并没有被迫把它组织成一个随时间演化的状态。

Chronos 则把物理时间本身作为序列轴。在每个控制步，它将视觉/点云观测与机器人本体状态融合成一个 state-representative token，使 token 序列与真实控制时间一一对应。随后，选择性状态空间模型沿时间轴传播历史状态，让策略在每一步都携带完整的因果历史。这也是 Chronos 与很多“加记忆模块”方法的差异：它不是给当前观测附加一段历史提示，而是让历史成为策略动力学本身的状态变量。对于机器人长时序操作，这种设计直击问题本质——如果正确动作依赖过去，那么过去就不应该只是背景信息，而应该成为决策状态。可视化结果清晰地展示了Chronos对历史状态的有效建模，在不同历史阶段哪怕遇到和之前一样的观测，模型也能正确识别自己在哪个阶段，不会像传统马尔可夫VLA一样遇到混淆造成跳过步骤或者原地发呆等现象。

四、动作生成也要“懂物理”：从直接生成动作到二阶动作桥

机器人策略不仅要想对，还要动得稳。许多生成式模仿学习方法直接借鉴图像生成中的扩散模型或流匹配模型，把动作当作需要去噪或运输的样本。但机器人动作不是静态图片，它天然具有时间连续性、速度变化和动力学结构。Chronos提出了一种受物理学原理启发的、替代diffusion和flow matching的二阶动作生成新范式，更符合机器人运动的物理规律。

具体而言，Chronos 在动作生成上引入了两级设计。第一步，通过 IMLE 生成一个多模态 coarse action prior。真实操作中，同一个状态下可能存在多种合理动作路径：从左边绕、从右边绕、先调整姿态、再进入接触。IMLE 的优势在于，它可以保留这种多峰分布，而不是把所有可能动作平均成一条模糊轨迹。

第二步，Chronos 使用二阶 Schrödinger-inspired action bridge 对粗动作先验进行精修。简单理解，它不是像diffusion一样直接去噪得到机器人动作（容易抖动），而是学习一个 acceleration field，让动作变化经过二阶动力学结构传递，从而生成更平滑、更稳定、更符合机器人运动规律的轨迹。

这使 Chronos 不只是一个“会记忆”的策略，也是一套更适合机器人运动生成的框架。在精密插入和双臂操作中，这种差异尤其明显：动作不能抖，接触不能乱，轨迹不能只在视觉上合理，还必须在控制上可执行。

五、最硬的结果：小模型在记忆任务上断崖式领先

Chronos 的实验结果之所以有冲击力，不只是因为它“有提升”，而是因为提升幅度和参数效率同时非常突出。

在 RMBench 记忆依赖操作benchmark上，Chronos 达到 73.6% 平均成功率。相比强 Markovian VLA 基线 pi0.5，Chronos 高出 +62.4 个百分点，成功率约为其 6.6 倍，同时参数量少 10 倍。相比当前记忆增强 VLA Mem-0，Chronos 仍然高出 22.8 个百分点，并且参数量少 30 倍以上。

这组数字传递了一个很强的信号：在记忆依赖任务上，真正关键的不一定是把模型继续做大，而是让策略以正确方式保存和使用历史。Chronos 不是用更大规模“硬压”对手，而是用更贴近问题本质的结构取得优势。

在精密双臂插入任务中，Chronos 的二阶动作桥也显示出价值。相比 diffusion action head，完整 Chronos 能产生更平滑、更稳定的动作，在需要精细配合和接触控制的场景中优势更明显。换句话说，Chronos 同时解决了两个问题：长任务中记得住，精细动作中动得稳。

六、真实世界：机器人不仅要会做，还要知道“现在该做第几步”

仿真结果很强，但机器人最终必须回到真实世界。Chronos 在真实双臂平台上进行了 4 个任务验证，只使用单个 RGB 相机作为视觉输入，平均成功率达到 78%。在 3 个记忆依赖任务上，Chronos 成功率达到 72%；而 pi0.5 总体只有 7%，在记忆依赖子集上为 0%。

这些真实任务不是单纯“抓起来放下去”的短动作，而是包含阶段切换、顺序记忆和隐藏信息的长时序操作。例如，在一个任务中，pi0.5 会跳过中间抓取与返回阶段，直接按下结束按钮；而 Chronos 能完整执行任务序列。在另一个 memory-dependent extension 中，场景视觉上与先前阶段相似，但正确动作已经变化，pi0.5 再次提前结束，Chronos 则能保留任务阶段并完成后续动作。

最直观的例子是 Cover Blocks。机器人一开始能看到不同颜色方块的位置，随后这些方块被盖住。之后，无论初始方块如何排列，机器人都必须按照红、绿、黄的顺序依次揭开盖子。此时当前观测只剩盖子，颜色信息已经隐藏。pi0.5 会出现单帧观测混淆，在原地犹豫或乱动；Chronos 则能记住隐藏的颜色位置，按照正确顺序完成任务。

这类实验的意义很直接：Chronos 不是只在表格里好看，而是在真实机器人上展示了“记忆”如何转化为可执行的操作能力。

七、Chronos 真正改变了什么？

过去几年，机器人学习的主旋律是“大”：更大的视觉编码器、更大的语言模型、更大的动作模型、更大的数据集。Chronos 并不否认规模的重要性，但它提出了另一条同样关键的路线：结构也很重要，尤其是在历史依赖任务中。

如果任务本身是非马尔可夫的，那么策略就不能假装当前观测已经包含全部信息；如果机器人动作天然是二阶运动，那么动作生成也不应只停留在图像生成式地一阶去噪或速度场预测，而是要符合物理学规律。Chronos 把这两个判断统一到同一个框架里：用全历史状态建模解决“记不住”的问题，用二阶动作桥解决“动作抖、不精确”的问题。

这让 Chronos 的意义超出了单个 benchmark 的胜负。它提醒我们，通用机器人不只是一个更大的 VLA，也不只是一个更长的视频预测模型。真正能在现实中完成长时序操作的机器人，需要拥有随时间演化的内部状态，需要把过去发生的事情组织成可用于行动的记忆。

当然，Chronos 不是终点。更复杂的真实环境、更长时间尺度、更多样的物体与语言指令，更强的位置泛化能力，仍然需要进一步探索。但这项工作已经清晰展示了一个方向：当机器人学会把历史当作状态，它对长时序任务的理解会发生质变。在未来，或许这种结构可以作为大规模机器人模型的小脑与动作生成专家。