henry 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

別人家的“龍蝦”還在盯著屏幕玩電腦，理想已經(jīng)把“龍蝦”帶上車了！

最近，理想發(fā)布了全新的流式視頻理解與具身智能統(tǒng)一的Agent框架——

StreamingClaw。

在保持與OpenClaw框架完全兼容的基礎(chǔ)上，StreamingClaw原生支持實時的多模態(tài)流式交互。

這意味著，系統(tǒng)在面對視覺輸入時，不再將其視為死板的離線視頻文件，而是像人類感知世界一樣，實時捕獲流數(shù)據(jù)（Stream）并進行即時推理。

比如，這只蝦不僅能在駕駛中盯著你，檢測可疑動作（哈欠、玩手機）并主動預(yù)警。

還能在你取車的時候，主動跟你打招呼。

與此同時，StreamingClaw還引入了自主多代理調(diào)度機制。

依托主-從代理的緊密協(xié)同，它不僅能自主完成復(fù)雜的任務(wù)規(guī)劃與邏輯決策，更深度集成了豐富的工具及技能庫，在現(xiàn)實場景中實現(xiàn)了指令驅(qū)動的具身智能。

在StreamingClaw的加持下，機器人與終端設(shè)備實現(xiàn)了極低延遲的“邊看、邊記、邊行動”：

比如，它可以實時上識別你手持的物品，幫你解題。

不難看出，在這些復(fù)雜場景中，StreamingClaw的核心硬實力在于實時推理與瞬時響應(yīng)。

而支撐這只“理想龍蝦”在物理世界靈活行動的，正是一整套圍繞“流式架構(gòu)”展開的系統(tǒng)設(shè)計。

從“離線處理”到“主動閉環(huán)”

不同于大模型等對延遲（相對）不敏感的場景，在具身智能、AI硬件及智能座艙等領(lǐng)域，系統(tǒng)往往需要在毫秒級完成感知—決策—執(zhí)行的閉環(huán)：

• 感知（看）：通過攝像頭捕獲環(huán)境；
• 決策（想）：AI大腦規(guī)劃對策；
• 執(zhí)行（做）：驅(qū)動硬件或指令，并根據(jù)動作后的新環(huán)境再次循環(huán)。

然而，現(xiàn)有的視頻Agent在處理實時感知（流式感知）時往往面臨著延遲較高的問題。

之所以這樣是因為，傳統(tǒng)方法通常將視頻視為完整文件處理。長視頻的計算量呈指數(shù)級爆炸，難以實時響應(yīng)；

同時，模型難以持續(xù)追蹤長時程信息，導(dǎo)致決策草率、頻繁遺忘，甚至直接任務(wù)失敗。

針對這些問題，以往的研究嘗試通過視覺壓縮或Token精簡來緩解負載，但同時也導(dǎo)致了細節(jié)丟失，無法準確定位等問題。

更致命的是，傳統(tǒng)模型大多是被動觸發(fā)：你不問，它不動，缺乏對環(huán)境風險的主動感知。

StreamingClaw通過“增量計算”改寫了這一邏輯。

它不再機械地重復(fù)處理歷史畫面，而是將環(huán)境的細微變化視為增量信號進行推理更新。

這意味著，它不僅能“看”得更準、記”得更久，還能在思考過程中自主調(diào)用工具，實現(xiàn)從感知到物理干預(yù)的真正閉環(huán)。

這就是所謂的流式推理，與處理現(xiàn)成文件的“離線模式”不同，其要求AI必須像觀看直播一樣，在數(shù)據(jù)不斷涌入的同時即時分析，不允許任何嚴重滯后。

接下來，我們具體來看StreamingClaw是怎么做到的。

具身智能的流式交互引擎

總體來看，StreamingClaw是一個高度協(xié)同的多代理（Multi-agent）架構(gòu)。它通過一套標準化的流水線，打破了不同硬件之間的壁壘：

首先，無論是智能眼鏡、自動駕駛芯片還是具身機器人，所有多模態(tài)流式輸入都會通過時間戳對齊與共享流式緩存*進行標準化處理，確保AI擁有統(tǒng)一的“時間尺度”。

其次，核心大腦StreamingReasoning（主代理）負責實時感知與規(guī)劃；StreamingMemory與StreamingProactivity（從代理）則分別提供長效記憶支撐與主動交互決策。

最后，代理生成的決策指令會直接驅(qū)動工具箱與技能庫。

從簡單的視頻剪切到復(fù)雜的具身動作序列，執(zhí)行結(jié)果會即時反饋至代理，形成一套完整的“感知—決策—執(zhí)行”閉環(huán)。

這種架構(gòu)讓StreamingClaw不僅能聽懂指令，更能通過自主規(guī)劃與工具調(diào)用，真正深入現(xiàn)實場景解決問題。

流式推理：：StreamingReasoning

流式推理（StreamingReasoning）主要針對具有連續(xù)輸入輸出的流視頻理解場景。

其核心目標是在極低延遲的約束下，實現(xiàn)對現(xiàn)實世界的實時感知、理解與推理。

在實時流式推理方面，系統(tǒng)會將輸入的視頻流拆分為細粒度片段，并通過動態(tài)滑動窗口嚴格控制上下文范圍，從源頭上避免無效信息的堆積。

在此基礎(chǔ)上，結(jié)合經(jīng)過剪枝優(yōu)化的流式KV-Cache機制，StreamingReasoning可以持續(xù)進行高效的增量解碼，使整體推理過程始終緊貼視頻流節(jié)奏運行，而不會出現(xiàn)延遲堆積。

在此之上，系統(tǒng)引入了自規(guī)劃調(diào)度能力，充當整個流程的“總指揮”。

它能夠動態(tài)解析用戶指令，并自主規(guī)劃任務(wù)路徑。在面對復(fù)雜任務(wù)時，系統(tǒng)會根據(jù)需要選擇調(diào)用層級化記憶進行檢索，或轉(zhuǎn)而觸發(fā)主動交互決策；

而在常規(guī)場景下，則保持直接、低延遲的流式多模態(tài)推理，使整體交互過程始終順暢自然。

流式存儲：StreamingMemory

StreamingMemory存儲真正的多模態(tài)向量，通過層級記憶演化（HME）機制，以應(yīng)對復(fù)雜的流視頻理解任務(wù)。

具體來說，在記憶機制上，系統(tǒng)以視覺為核心，將多模態(tài)信息組織為可持續(xù)增長的增量式記憶節(jié)點，避免原始數(shù)據(jù)的簡單堆疊。

這些記憶進一步從碎片演化為更高層級的“行動”和“事件”，使檢索對象從畫面本身轉(zhuǎn)向可用于決策的結(jié)構(gòu)化經(jīng)驗。

在此基礎(chǔ)上，系統(tǒng)通過命令驅(qū)動的并行時間遍歷實現(xiàn)高效檢索，在長時序信息中快速定位關(guān)鍵內(nèi)容，同時保證魯棒性。

同時，統(tǒng)一的接口設(shè)計打通跨代理記憶，使不同Agent既能共享關(guān)鍵經(jīng)驗，又能進行差異化管理，從而支撐更高效的協(xié)同。

從代理：StreamingProactivity

StreamingProactivity面向未來事件預(yù)測、推理與主動交互設(shè)計，其目標既可以由用戶預(yù)先設(shè)定，也可以在流式過程中持續(xù)演化。

當請求被識別為主動交互時，主代理會將其轉(zhuǎn)化為持續(xù)在線的監(jiān)控任務(wù)，例如追蹤行為、判斷事件或監(jiān)控風險。

一旦滿足觸發(fā)條件，系統(tǒng)即刻生成通知或解釋性響應(yīng)，形成“感知—推理—觸發(fā)—反饋”的閉環(huán)，避免反復(fù)查詢。

這一機制主要覆蓋兩類場景，一類是時間感知交互，強調(diào)對狀態(tài)隨時間演化的持續(xù)跟蹤；

另一類是事件定位交互，聚焦關(guān)鍵事件在時間流中的精確識別，常見于異常檢測與自動標注等任務(wù)。

在實現(xiàn)上，系統(tǒng)分為免訓練適配與訓練適配兩種路徑。

免訓練適配無需額外訓練，通過將觸發(fā)條件結(jié)構(gòu)化為可監(jiān)控節(jié)點，在流式過程中匹配視覺信號并即時生成響應(yīng)；同時支持目標在線更新，形成持續(xù)演化的主動交互閉環(huán)。

訓練適配則將狀態(tài)變化建模為視覺語言信號，引入場景專用觸發(fā)Token，使感知與任務(wù)解耦，并在單次推理中完成多事件識別與響應(yīng)生成。

該方案在復(fù)雜場景下具備更高精度、更強泛化能力，同時顯著降低并發(fā)任務(wù)下的推理開銷。

整體來看，StreamingProactivity實現(xiàn)了全天候在線的主動交互，使系統(tǒng)能夠持續(xù)感知變化并觸發(fā)響應(yīng)。

可擴展的工具與技能：閉環(huán)的最后一公里

為了真正讓AI影響物理世界，StreamingClaw還提供了高效工具與技能接口，從而完成了“感知—決策—執(zhí)行”閉環(huán)的最后一個環(huán)節(jié)。

除了標準的工具組合外，研究還引入了專為視頻理解和流式交互定制的專業(yè)工具。

比如，Video Cut工具可以在關(guān)鍵片段中精準裁剪時間戳，將內(nèi)容送入大型多模態(tài)模型進行“顯微級分析”，再輸出精簡文本結(jié)果。

總體而言，StreamingClaw面向流式視頻場景，基于多模態(tài)大模型實現(xiàn)感知、理解與語音輸出，但當前仍以“視覺+文本”為核心輸入范式，對音頻輸入、精細時序?qū)R及跨模態(tài)聯(lián)合推理的支持仍有限。

未來，系統(tǒng)將演進為統(tǒng)一的全模態(tài)代理框架，打通視頻、圖像、音頻與文本的輸入輸出，實現(xiàn)真正的感知-執(zhí)行閉環(huán)；

同時強化長時程建模、空間理解與跨模態(tài)對齊能力，并持續(xù)優(yōu)化低延遲部署與記憶、工具調(diào)用機制，以支撐更真實世界的具身交互。

[1]https://jackyu6.github.io/StreamingClaw-Page/

[2]https://arxiv.org/pdf/2603.22120