内容摘要
机器人操作尚在进行时，模型能否理解当前进度，而非只认出画面内容？作者提出RoboChrono，以真实机器人执行和补充的徒手人类录像构建39个场景、34,713个评测实例，考察流式任务理解。
方法以因果观测边界约束输入：模型只能看到查询时刻及此前的观测，不能使用未来画面。七项任务分属识别、对齐和时间定位，覆盖当前动作、下一动作、帧匹配、帧排序等；18个多模态模型在无基准专用微调的零样本条件下接受评测。
作者报告，GPT-6-Astra的帧匹配准确率为98.3%，帧排序为68.3%；RynnBrain1.1-122B-A10B对应为95.4%和32.9%，表明匹配优势并不必然伴随排序优势。在五个开放权重模型、312个题干的平衡子集上，匹配问题消融显示：移除视觉后，当前动作识别下降22.1个百分点，下一动作预测仅下降0.7个百分点。作者据此提示，下一动作答案可能依赖任务和动作先验，不能仅凭预测得分判断模型是否利用了视觉历史。
点评
该基准的诊断价值在于分开考察视觉识别与时间进度理解，避免仅用汇总分数掩盖能力差异。
这是作者论文报告的评测，不是独立复现或机器人闭环控制验证；数据包含成功执行录像及徒手人类场景，消融结论限于所测模型和子集，不宜外推通用操作能力。
版本与核查范围
版本 2609.36605v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 page:1；page:4；page:5；page:6；page:1；page:8；page:1；page:1；page:9；page:4；page:4