机器人刚看见目标球藏进左边盒子，盒盖一关，接下来还能选对吗？MIKASA-Robo-VLA就是为这类问题设置的专项考场。它评测VLA（Vision-Language-Action，视觉—语言—动作）模型——也就是把“看懂、听懂、动手”接进同一套系统——能否在长任务中使用已经离开视野的信息，而不是只对眼前画面作反应。
这套基准包含90项语言指令操作任务，覆盖10类记忆。其中80项会隐藏决定后续动作的关键线索，另有10项始终保留线索，作为不需要长期记忆的反应式对照。最值得注意的是，作者没有只按任务总时长判断难度，而是单独测量线索确定不可见的“信息空档”：70项任务标注了这一时间，28项的空档超过其调研中固定上下文最宽模型的16帧窗口。这样一来，失败更容易被定位为记忆问题，而不再笼统混进感知、规划和控制能力。团队还发布了22,500条示范轨迹；不过论文只在14项任务上测试参考基线，尚不能据此判断现有VLA的整体水平。