RoboTTT让机器人长记忆学习
DrJimFan · x · 2026-07-15
提出 RoboTTT：把 test-time training 引入机器人策略，让模型在推理时对一个小的内核网络做梯度更新，从而把历史经验压缩进权重里。
核心结果包括：
- 将机器人上下文长度原生扩展到 8,000 timesteps，约等于 5 分钟的“肌肉记忆”，且推理成本保持恒定。
- 相比过去按几帧一处理、很快遗忘的策略，这种做法能让机器人持续学习，部署后也还能继续改进。
- 支持 one-shot in-context learning：在人类视频演示一次后，机器人就能模仿此前未见过的电路板装配配置。
- 在执行中出错后，机器人可以把“修正动作”纳入上下文，形成自我纠错能力。
作者还报告了一条新的 context scaling curve：从 128 到 8K timesteps，闭环性能持续提升、未见饱和；8K 上下文预训练比 1K 提升 62%。
所属事件:RoboTTT 把测试时训练带入机器人策略(6 条相关)→
「具身」频道最新
- 32mm 直径塞进人形机器人关节：Zmotor 执行器全拆解 — MarwaEldiwiny · 2026-10-27
- 拆解中国人形机器人 Zmotor 线性执行器：内部构造全曝光 — MarwaEldiwiny · 2026-10-27
- 世界模型新玩法：物体赋重量摩擦系数，物理引擎推演机器人动作 — jonstephens85 · 2026-10-27
- 折叠屏 iPhone「Duo」开箱照现身,真机包装盒首曝 — chrisfirst · 2026-10-27
- Bedrock Robotics 获 6 亿美元 C 轮，无人挖掘机已在美国工地承接付费工程 — davidpattersonx · 2026-10-27
- UniAction 统一动作条件框架:单一世界模型驱动多种动作类型 — ZeYanjie · 2026-10-27