研究者提出视觉-语言-动作模型记忆架构LTM

Qixin Sun 等研究者提出面向视觉-语言-动作模型的潜在转换记忆架构（LTM），通过将历史信息存储为连续观测间的紧凑潜在转换，以解决机器人操作中不可见交互的记忆问题。 该团队基于 π0.5 搭建了 LTM-π 模型，结合冻结的潜在动作编码器、轻量适配器与因果 KV 缓存实现增量推理，无需外部推理模型或特定语义标注。测试显示，该方案在 RoboMME 与 LIBERO-Mem 基准上的成功率分别达 58.54% 和 80.5%，并将真实机器人计数任务的成功率从 11.25% 提升至 82.50%。

AI 根据报道生成 · 3 小时前更新