可以代表模型在排除当前延迟后的控制能力上界，不能直接代表今天的在线系统能够实时运行。
Anthropic 在 Em 的部分直接控制与代码控制仿真中，让物理时钟在模型生成动作时暂停。原因很实际：机器人低层控制循环远快于 API 调用。Go2 约需 83 Hz，意味着每个控制周期约 12 毫秒；研究中的无推理模型调用约 0.2 至 0.4 Hz，通常数秒才返回一次，差距接近两个数量级。
如果仿真不停，模型会因为来不及发下一条命令而倒下。那种结果主要测网络与推理速度，难以判断模型给出的动作是否合理。暂停则把时间因素暂时拿掉，观察“假设未来推理更快，它有没有控制逻辑”。
两种测试回答不同问题
暂停时钟的能力测试，适合比较动作质量、控制器代码、策略选择和模型代际变化。它把模型响应视为瞬时，不承诺现实延迟。
持续时钟的系统测试，才包含 API 往返、排队、图像上传、推理、动作解析和设备执行。它回答当前部署能否在截止时间内形成闭环。
两种成绩应并列：
第三种容易被混淆。模型编写 Python 控制器后，代码可以在本地高频运行，不必每个物理周期调用模型。成绩较好，说明程序化接口适合该任务，不等于 API 延迟问题已经解决。
延迟表要按动作截止时间来写
官方没有进行正式延迟研究，但附录提供了运行日志范围：无推理的纯文本回合大约 2 至 8 秒，带一两张图通常 5 至 15 秒；Opus 4.6、4.7 高推理常见 15 至 60 秒，长尾达到 60 至 180 秒，超高推理平均约再翻倍。
这些数字受提供方、负载、图像和预算影响，不能当 SLA。它们足以说明，低层平衡环路不适合等待远程语言模型。架构应按截止时间分工：
- 关节与平衡：毫秒级，本地确定性控制器
- 速度和短轨迹：设备或边缘预训练策略
- 目标选择与重规划：秒级语言模型
- 离线分析与策略生成：可接受更长推理
每个动作都要带生成时间和过期时间。旧动作晚到后直接丢弃，不能排队补发到已经改变的机器人状态。
从仿真到现场要补四组试验
第一组是延迟阶梯。保持模型输出不变，人为加入不同响应时间，观察哪个点开始失稳。这样能找到当前控制器的截止时间，而不是只记平均 API 延迟。
第二组是抖动与长尾。固定平均延迟，却让少数请求明显变慢。物理系统可能对偶发长尾比对稳定慢速更敏感。记录最长无更新时间、恢复动作和是否触发安全状态。
第三组是断网与过期。中断模型服务，确认低层策略继续维持安全姿态、停止或降落。服务恢复后要重新读取当前状态，不能从断网前的计划继续。
第四组是仿真现实差。相同控制器进入真实设备后，比较传感器频率、执行误差、摩擦、反射和通信。官方真实 Go2 试验出现将玻璃门倒影当目标、办公室绕圈全部失败等情况，说明现实会带回仿真中没有充分覆盖的视觉与空间问题。
第五组是负载并发。单台机器人空闲时的调用延迟，可能与多设备同时上传图像时完全不同。让一台、五台和计划峰值数量分别运行，观察排队、超时和降级。控制服务要为实时性较高的任务保留资源，不能让一条离线长推理占满所有执行请求。
第六组是时钟漂移。图像、机器人状态和模型动作若来自不同机器，时间戳偏差会让系统把旧画面配给新状态。测试中主动制造小幅时钟偏移，确认对齐层能拒绝过期组合。否则，平均网络延迟达标，动作仍可能基于错误时刻。
现场还要区分冷启动与稳态。模型连接首次建立、容器扩容、策略加载和摄像头预热会产生额外延迟。如果机器人在任务开始后立即等待第一条动作，冷启动长尾可能比稳态均值更危险。测试应覆盖首次任务、空闲一段时间后的唤醒，以及故障切换到备用服务。
对允许缓存的高层计划，要注明缓存失效条件。路线可以在短时间复用，抓取动作却可能因物体被移动而立刻过期。缓存不能按接口统一设置固定分钟数，应由状态变化触发。否则降低调用延迟的优化，会把旧世界状态带入新动作。
报告延迟时，还应把失败请求计入分布。若只统计成功返回，超时和断线会被排除，P95 看起来很漂亮，机器人却频繁进入等待。将超时按截止时间上限或单独比例展示，并记录降级是否成功，才能对应现场可用性。
动作解析时间也不应遗漏。模型返回一段文本，系统还要校验格式、转换坐标、做约束检查并发送给设备。若解析失败后自动重问模型，总时延会翻倍。分别统计首答可执行率和重试耗时，比只看 API 返回更接近控制链。
另外要测计划取消。操作者改变目标或按下停止后，队列中的模型回复、缓存路线和策略动作都应作废。取消消息与普通动作若走同一拥堵队列，急停可能被延迟；安全停止应走独立通道。
测试记录可写成：
- 任务控制频率与动作截止时间
- 模型响应 P50 / P95 / 最大值
- 图像采集、编码、网络、推理、解析各段耗时
- 超时动作的丢弃或降级规则
- 最长断网、机器人安全状态与恢复步骤
- 仿真暂停成绩、实时仿真成绩、真机成绩
只有总延迟，没有分段，就无法判断优化网络、减少图像、降低推理预算或更换本地控制器哪个更有效。
什么时候暂停设置仍然有研究价值
如果目标是比较模型是否会写控制器、能否根据观察纠错，暂停能防止所有模型因同一个现实速度限制同时得零分。它相当于一个上界实验，也适合观察未来推理加速后可能出现的能力。
但发布结果时要把条件放在主表或首段，不能藏在附录。尤其不能将暂停仿真中的直接控制，与本地预训练策略的实时控制混在一个综合分里，再说某模型已可实时驾驶。
机械臂与四足也不能套同一判断。官方指出，固定底座机械臂没有移动机器人那样严格的实时平衡约束，因此机械臂操作时没有同样暂停仿真。任务的物理时限决定架构，不能因为都叫机器人就统一处理。
暂停等待模型回复，不会让实验失效。它只是把研究问题从“当前系统能否实时跑”改成“排除延迟后，模型决策是否有用”。将这个上界与实时、断网和真机试验并列，读者才能知道能力卡在模型判断、控制接口，还是时间预算。
官方来源：Anthropic，《Claude plays robotics》，2026 年 7 月 9 日。
