Remember Smarter：用于机器人记忆的视觉历史压缩器与双曲经验空间

基于摘要分析。研究面向机器人长时程操作中的零样本迁移：策略既要保留当前轨迹的视觉上下文，也要复用其他轨迹中的成功经验。作者提出 Remember Smarter（RS），为现有视觉–语言–动作（VLA）模型加入视觉历史压缩器与双曲经验记忆，而非直接研究 EEG 或 BCI。 视觉分支使用双向空间 Mamba 与因果时间 Mamba，汇总多相机视角的图像 patch 序列；通过残差交叉注意力，将历史摘要注入用于动作生成的视觉–语言模型（VLM）状态，同时保留原始视觉 token 序列。经验分支将成功简单子任务轨迹中的末层 VLM 状态编码到 Poincaré VAE 潜空间，并以受 HypHC 启发的二叉拓扑组织经验编码；检索所得经验转化为动作生成的提示 token。其机制重点是区分轨迹内上下文保留与轨迹间经验复用，并利用双曲空间表达经验之间的层级关系；具体损失、检索规则及训练安排尚未验证。 作者报告，在与 π_0 集成后，RS 在 LIBERO-Plus 上的总体成功率比基础策略提高 16.9 个百分点；摘要未提供具体任务划分、运行次数及统计不确定性。作者还报告真实机器人表现改善，包括对需要维持物体名称指代、应对视觉遮挡，以及辨识细微或视觉上不可观测状态变化（如按键动作）的任务组合进行零样本迁移，但未给出对应数值。实验协议、消融及统计信息尚未验证，不能据此区分两个记忆分支各自的贡献。 平台推测（待验证）：历史压缩与经验检索的分离机制，可作为长时程 EEG 解码上下文建模的假设，但原方法依赖多视角视觉 token、VLM 状态及成功子任务轨迹，不能直接视为 EEG 方法。可考虑复用时间压缩模块；输入编码器、经验表征及检索条件需重新设计。低信噪比、跨被试差异和小数据规模可能使记忆表征偏向被试或设备特征。一个可证伪的小实验是在固定跨会话划分下，对比近期窗口基线、仅历史压缩及加入训练集经验检索的模型，检验收益是否稳定；已有 EEG 相关工作尚未检索确认。