论文用固定大小权重增量编码机器人片段，记忆不随时间增长
资讯摘要
论文提出 inr2action 参数空间记忆框架：用共享元学习初始化拟合每段机器人视频的神经隐式表示，所得权重增量即为固定大小的记忆，不随片段帧数增长。学习到的投影器把权重增量映射为 token 嵌入，用于语言模型问答和关节指令回归，查询时无需检索原始帧。在 RoboMME 上，语言模型各题型均超过随机水平，解码器平均 R² 为 0.51；将增量替换为噪声后性能下降 11.4 点，随机初始化的权重无法解码。
要点速读
- 每段机器人片段被存为固定大小的权重增量，记忆成本与时间跨度解耦
- 投影器将权重增量转为 token 嵌入，驱动语言模型问答与关节指令回归解码器
- RoboMME 上解码器平均 R² 为 0.51；替换为匹配噪声后性能下降 11.4 点
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。