这个时期规模不大，但方向一致：最强的信号是机器人研究在真实世界长时程评测上变得更具体。LongBench 为操作任务加入了机制层面的基准，而一篇同期的机器人学习历史回顾把这个需求和更大的数据采集、部署周期联系起来。结果是，大家更明确地关注在真实场景里测量执行漂移、时序失败和上下文使用。
LongBench 为这一时期提供了一个具体锚点：长时程机器人评测开始更明确地解释策略为什么会失败。这个基准覆盖 10 个真实世界任务和 1,000 多个 episode。它把完全可观测的执行问题和依赖上下文的歧义分开，再按阶段给进展评分，而不是只给一个通过或失败的数字。这很重要，因为当前策略的失效原因各不相同。在上下文无关任务上，pi_0 以 86.3 的平均阶段评分领先，Diffusion Policy 为 51.2，OpenVLA-OFT 为 32.7。动态抓取是最清楚的压力测试。pi_0 得到 73.3，其他列出的系统都在 0.0 到 13.3 之间。
第二个信号不只来自一篇论文。这里看到的机器人技术栈和数据规模、真实部署、以及多模态动作预测有关。Technology Review 的历史文章不是基准论文，但它补充了为什么现在需要长时程评测。文章提到 Google 为 RT-1 训练了 17 个月，覆盖 700 个任务，在见过的任务上成功率为 97%，在未见过的指令上为 76%。它也提到商业压力在上升：2025 年人形机器人投资达到 61 亿美元。把这篇文章和 LongBench 放在一起看，近期重点就很清楚了。更好的机器人模型需要更好的真实世界测试，因为更大的策略和更大的数据采集循环已经进入部署讨论。