NativeMEM: 原生记忆压缩实现长时域机器人操作

以视觉-语言-动作（VLA）模型为代表的预训练策略在机器人操作领域展现出巨大潜力，但在处理长时域任务时面临关键挑战：如何在保持高频更新的同时高效保留长达数小时的视觉历史？传统方法依赖外部存储管理，但往往牺牲了记忆时长或响应速度。针对此问题，来自学术界的研究团队提出了NativeMEM，一种内置长期实时记忆的VLA策略。其核心技术是“原生记忆压缩”（Native Memory Compression），巧妙复用VLA模型自身的视觉编码器，将来自每个摄像头视角的每一帧历史图像压缩为单个令牌（token）。这些记忆令牌被附加到输入序列末尾，使得预训练VLA能够以极低的延迟开销关注长期历史，无需外部规划器或新初始化的记忆模块。为了使记忆令牌与预训练策略对齐，研究团队首先冻结VLA模型，在需要记忆的数据上通过监督学习训练一个通用记忆令牌器（memory tokenizer），随后解冻VLA进行任务特定微调。实验结果显示，在模拟环境中，NativeMEM将成功率从32.4%大幅提升至84.0%，在真实机器人上更是达到98.7%，同时保持低推理延迟和低GPU内存消耗。此外，该方案展现出显著的数据效率，仅使用20%的训练数据即可达到与先前方法相当的性能。该成果发表于arXiv（2607.06678），提交于2026年7月7日，由Ziye Wang等8位作者完成。该工作为长时域机器人操作提供了一个高效、简便且即插即用的记忆解决方案，有望推动VLA模型在复杂连续任务中的实际应用。