🔥 今日值得一读
VLA告别记忆模块！SimpleMemVLA直接吃满分钟级历史，延迟逼近单帧，四大基准全破纪录！
SimpleMemVLA: A Simple but Effective Native-Video Memory for Vision-Language-Action Models
👨💼 主理人解读 · 为什么值得关注
这篇论文简化了视觉-语言-动作模型的设计，开发者可直接用长视频输入提升机器人长时程任务的决策能力，无需复杂记忆机制。
📖 AI 总结
SimpleMemVLA提出了一种无需专用记忆模块的视觉-语言-动作模型（VLA）新方法。针对长时程操控任务中历史信息难以有效利用的问题，该模型直接保留采样历史，并以带时间戳的视频格式输入给预训练的VLM骨干网络，子任务生成的隐藏状态作为连接历史与动作头的唯一通道。由于连续决策共享大部分历史，执行时预填充共享前缀使延迟接近单帧VLA。在四个记忆基准上，SimpleMemVLA达到新最优水平，且不牺牲通用控制性能；在固定骨干和训练设置下，其表现大幅优于检索、压缩和循环状态等既有记忆机制，因果干预实验证实策略确实有效读取历史信息。该方法表明，现代VLM骨干已具备直接处理分钟级历史的能力，无需复杂记忆设计。
🔑 关键词速览
| Vision-Language-Action Models (VLA) | 视觉-语言-动作模型，结合视觉和语言理解来生成机器人动作的模型。 |
| Long-horizon manipulation | 长时程操作，指需要长时间跨度内多个步骤才能完成的任务。 |
| Retrieval banks | 检索库，一种存储历史经验并在需要时检索相关信息的记忆机制。 |
| Learned compressors | 学习型压缩器，通过训练学习将历史信息压缩成紧凑表示的方法。 |
| Recurrent states | 循环状态，循环神经网络中用于传递历史信息的隐状态。 |
| Flow-matching action head | 流匹配动作头，一种基于流匹配生成连续动作输出的神经网络模块。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅