告别机器人“断片”！KAIST和UC Berkeley团队让VLA模型拥有记忆 实测成功率翻倍！

机器人伸手去拿桌上的杯子，它需要知道自己刚才有没有抓住过这个杯子吗？答案是肯定的。但现有的视 觉-语言-动作模型（VLA）大多只盯着当前画面做决策，完全没有"历史记忆"。这就导致机器人在处理遮挡 物体、多步骤堆叠这类需要上下文的任务时，很容易陷入混乱。 近日，来自KAIST和UC Berkeley 的团队提出了一个名为HAMLET的框架，给预训练VLA模型补上了"历史 感知"的短板。这个轻量级插件不需要从头训练大模型，却能让机器人在长时操控任务中，平均成功率直接 提升47.2%。在真实场景的"盖方块 叠杯子"任务里，HAMLET更是把成功率从37.5%拉到了79.2%，彻底解 决了机器人"断片"的问题。 01. 没有记忆的机器人 连叠杯子都做不好 当下主流的VLA模型，比如GR00T N1.5、CogACT，都遵循"单帧假设"，只靠当前的视觉画面和文本指令 来预测下一步动作。这种设计在简单任务里没问题，但遇到需要上下文的长时任务，就会立刻露怯。 举个例子，"用最近的杯子盖住方块，再把另一个杯子叠上去"这个任务，当机器人用第一个杯子盖住方块 后，方块就被遮挡住了。如果没有历史记忆，机器人看着眼前的两个杯子，根本 ...