MemBodied：面向视觉-语言-动作模型的循环联想记忆机制

论文提出 MemBodied，一种固定大小的回合级记忆，包含关联状态与回合锚点两部分：关联状态记录策略调用之间的交互，回合锚点保留初始场景的紧凑表示。每次策略调用时，模型以当前输入和记忆组件为条件生成动作，而非直接使用历史观测。在五个 RMBench 记忆任务上，其平均成功率为无状态策略的 7.81 倍、普通循环记忆的 2.98 倍，并超过最强记忆增强基线 1.3 倍，新增参数少 10 倍；在 LIBERO-Long 上达到 90.6%，相比无状态 π0 策略提升 5.4%。

此前多数视觉-语言-动作策略只依赖当前观测，历史依赖型操作任务因此受限；靠把历史观测塞进上下文又会带来上下文膨胀与推理延迟。该工作给出固定大小、额外参数更少的替代方案，并在两类基准上给出可量化提升。

机制上用固定大小的回合级记忆替代不断增长的上下文：关联状态跨策略调用记录交互，回合锚点以紧凑表示保留初始场景作为参考，使动作生成以当前输入加记忆为条件。这样既避免保留原始历史观测带来的上下文膨胀与延迟，也弥补了普通循环记忆容量有限、易丢失早期信息的问题。

对机器人策略研发而言，可在不扩大输入上下文、不显著增加参数与推理成本的前提下，让现有 VLA 策略具备历史依赖操作能力，降低显存与延迟压力。团队可将记忆模块作为可插拔组件接入已有策略，并用记忆类任务基准验证收益。

• 将 MemBodied 的固定大小记忆作为可插拔模块，接入已有 VLA 策略以支持历史依赖操作任务
• 在需要装配、遮挡恢复等依赖历史信息的机器人场景中，用记忆类基准对比无状态策略与上下文扩展方案的成本与成功率
• 以 10 倍更少新增参数为卖点，探索在边缘或车载算力受限设备上部署带记忆的策略

• 两个记忆组件在各类任务中各自的贡献比例尚无消融数据
• 固定大小记忆在更长回合或更复杂场景下是否会饱和、如何扩展
• 结论是否可迁移到 RMBench 与 LIBERO 之外的实体机器人平台
• 论文出现的成功率为相对倍数表述，绝对成功率与实验设置细节未在证据中给出