機器人伸手去拿桌上的杯子，它需要知道自己剛才有沒有抓住過這個杯子嗎？答案是肯定的。但現(xiàn)有的視覺-語言-動作模型（VLA）大多只盯著當前畫面做決策，完全沒有“歷史記憶”。這就導(dǎo)致機器人在處理遮擋物體、多步驟堆疊這類需要上下文的任務(wù)時，很容易陷入混亂。

近日，來自KAIST和UC Berkeley 的團隊提出了一個名為HAMLET的框架，給預(yù)訓(xùn)練VLA模型補上了“歷史感知”的短板。這個輕量級插件不需要從頭訓(xùn)練大模型，卻能讓機器人在長時操控任務(wù)中，平均成功率直接提升47.2%。在真實場景的“蓋方塊 疊杯子”任務(wù)里，HAMLET更是把成功率從37.5%拉到了79.2%，徹底解決了機器人“斷片”的問題。

01.

沒有記憶的機器人 連疊杯子都做不好

當下主流的VLA模型，比如GR00T N1.5、CogACT，都遵循“單幀假設(shè)”，只靠當前的視覺畫面和文本指令來預(yù)測下一步動作。這種設(shè)計在簡單任務(wù)里沒問題，但遇到需要上下文的長時任務(wù)，就會立刻露怯。

舉個例子，“用最近的杯子蓋住方塊，再把另一個杯子疊上去”這個任務(wù)，當機器人用第一個杯子蓋住方塊后，方塊就被遮擋住了。如果沒有歷史記憶，機器人看著眼前的兩個杯子，根本不知道哪個杯子下面藏著方塊，大概率會重復(fù)抓取同一個杯子。論文里的實驗也印證了這一點：GR00T N1.5在這個任務(wù)上的成功率只有37.5%，甚至?xí)霈F(xiàn)“拿起杯子又放下，反復(fù)橫跳”的滑稽場面。

更麻煩的是，給模型簡單堆砌歷史幀根本行不通。研究團隊發(fā)現(xiàn)，在VLA輸入里多塞4幀歷史畫面，會讓模型的前向推理速度變慢35%，峰值內(nèi)存占用直接暴漲3.6倍。這種粗暴的方法不僅效率低下，還會因為引入冗余信息，導(dǎo)致模型在復(fù)雜場景下的泛化能力下降。

02.

HAMLET的兩大核心：給每一刻“拍快照”，再用記憶模塊整合

HAMLET的巧妙之處在于，它沒有拋棄現(xiàn)有的VLA模型，而是通過兩個核心組件，給模型加裝了一個輕量化的“記憶系統(tǒng)”，整個過程只需要微調(diào)，不用從頭訓(xùn)練。

1、時刻令牌：給每個時間步拍一張“信息快照”

首先，HAMLET設(shè)計了 時刻令牌（moment tokens） ，用來給每個時間步的場景信息做“壓縮存檔”。這些令牌是可學(xué)習(xí)的向量，會被拼接到VLA模型的輸入序列里。

為了讓時刻令牌只記住關(guān)鍵信息，團隊用了時間對比學(xué)習(xí)（TCL）的方法來初始化它們。具體來說，就是讓同一個時間步的增強圖像（比如加了模糊、噪聲的版本）對應(yīng)的令牌盡可能相似，讓不同時間步的令牌盡可能不同。這樣一來，時刻令牌就會自動忽略掉桌子、墻壁這些靜態(tài)背景，只聚焦于機器人抓手、待操作物體這些動態(tài)變化的關(guān)鍵區(qū)域。

經(jīng)過TCL初始化的時刻令牌，相當于給每個時間步的場景拍了一張“信息快照”，既保留了任務(wù)相關(guān)的動態(tài)特征，又剔除了冗余信息，為后續(xù)的記憶整合打下了基礎(chǔ)。

2、輕量記憶模塊：只提取有用的歷史信息

有了時刻令牌這個“快照庫”，接下來就需要一個 記憶模塊 來篩選和整合這些快照。HAMLET沒有用復(fù)雜的循環(huán)神經(jīng)網(wǎng)絡(luò)，而是選擇了一個兩層的Transformer架構(gòu)，專門用來處理歷史時刻令牌。

這個記憶模塊會把最近的T個時刻令牌堆疊成一個歷史矩陣，再通過因果自注意力機制，自動判斷哪些歷史時刻對當前決策更重要。比如在“交換兩個方塊”的任務(wù)中，當機器人需要決定下一步抓哪個方塊時，記憶模塊會重點關(guān)注“藍色方塊被放到輔助位置”的那個時間步，而忽略掉無關(guān)的移動過程。

最終，記憶模塊會輸出一個融合了歷史信息的特征向量，把它和VLA模型原本的單幀特征拼接在一起，再輸入到動作預(yù)測頭里。這樣一來，模型就能同時參考當前畫面和歷史上下文，做出更準確的決策。

03.

實測：長時任務(wù)成功率碾壓基線，效率還更高

為了驗證HAMLET的效果，團隊在真實機器人和仿真環(huán)境中做了大量實驗，測試對象包括GR00T N1.5和CogACT兩款主流VLA模型。

在真實場景的三項長時任務(wù)中，HAMLET的表現(xiàn)堪稱驚艷。在“兩次拾取放置”任務(wù)里，它把GR00T N1.5的成功率從12.5%提升到66.7%；在“交換方塊”任務(wù)中，成功率從37.5%躍升至83.3%，平均成功率直接達到76.4%，比基線模型高出47.2個百分點。

即便是在通用仿真基準測試中，HAMLET也展現(xiàn)出了強大的泛化能力：在RoboCasa Kitchen數(shù)據(jù)集上，它把成功率從64.1%提升到66.4%；在LIBERO數(shù)據(jù)集上，更是將行業(yè)領(lǐng)先的95.6%成功率推高到97.7%。

更關(guān)鍵的是，HAMLET在提升性能的同時，還保持了極高的效率。對比簡單堆疊歷史幀的方法，當歷史長度為8時，后者會讓模型推理速度變慢2.4倍，內(nèi)存占用暴漲7倍；而HAMLET的推理速度僅增加7%，內(nèi)存占用僅增加1倍，完全不會給部署帶來額外負擔(dān)。

04.

不只是 機器人：記憶模塊還能跨任務(wù)遷移

HAMLET的另一個驚喜之處在于，它的記憶模塊具備 跨任務(wù)遷移能力 。團隊做了一個有趣的實驗：先在LIBERO數(shù)據(jù)集上訓(xùn)練記憶模塊，然后直接把它遷移到RoboCasa Kitchen數(shù)據(jù)集上測試。結(jié)果顯示，遷移后的記憶模塊依然能讓模型成功率提升1.9個百分點，幾乎和在目標數(shù)據(jù)集上訓(xùn)練的效果持平。

這意味著，HAMLET的記憶模塊學(xué)到的不是某個特定任務(wù)的歷史規(guī)律，而是一種通用的“歷史信息處理能力”。未來只要在一個數(shù)據(jù)集上訓(xùn)練好記憶模塊，就能直接用到其他機器人操控任務(wù)中，大大降低了部署成本。

05.

結(jié)語與未來：

HAMLET的出現(xiàn)，解決了VLA模型“沒有歷史記憶”的核心痛點。它不需要重構(gòu)大模型的架構(gòu)，也不需要海量的訓(xùn)練數(shù)據(jù)，只通過時刻令牌和輕量記憶模塊的組合，就能讓現(xiàn)有VLA模型快速具備歷史感知能力。

在機器人邁向通用化的路上，“記憶”無疑是不可或缺的一環(huán)。當機器人能記住自己剛才做了什么，能分辨出哪個物體是之前操作過的，它才能真正理解復(fù)雜的人類指令，完成更具挑戰(zhàn)性的長時操控任務(wù)。

論文地址：https://arxiv.org/pdf/2510.00695

項目地址：https://myungkyukoo.github.io/hamlet/