SARAM：面向机器人终身学习的稀疏适配器分配、复用与合并

基于摘要分析。本文研究机器人按序学习新任务时，如何在保留旧任务能力的同时，抑制预训练 vision-language-action（VLA）骨干的适配器与任务选择模块持续累积。SARAM 通过复用既有适配器、仅在稀疏选定层新增适配器，以及部署时将任务更新合并进骨干，降低存储增长并控制在线推理开销。 机制上，新任务复用先前任务的冻结适配器，并通过 duplication penalty 鼓励新增适配器学习现有适配器库尚未表示的信息。摘要未给出层选择规则或惩罚项的具体数学形式。部署时，系统利用骨干激活统计构造紧凑签名，每个 episode 仅识别一次任务，再将对应任务更新合并到骨干，使控制循环中仅保留骨干。 作者报告，在四个 LIBERO suites 的评估中，SARAM 的表现达到或超过适配器基线，每任务新增磁盘状态的节省幅度最高为 4.5 倍；随着任务流增长，GPU 显存占用和控制频率仍与骨干相近。作者还报告，在采用不同骨干的真实 UR5 机械臂顺序任务实验中，系统持续保留先前任务能力。具体成功率、任务顺序、重复次数、基线配置、实验协议、消融及统计信息尚未验证；合并与任务识别的额外部署时延也需核对全文。 平台推测（待验证）：可迁移的假设是，冻结复用与稀疏新增可能帮助 EEG 持续解码控制跨会话模型存储增长；可复用的是适配器库和合并思路，需改造的是 EEG 骨干、层选择及任务签名。该机制依赖可顺序定义的任务、可合并的适配器参数及足够稳定的激活统计，低信噪比、被试差异、通道变化和小数据可能导致任务误识别或负迁移。一个可证伪的小实验是在固定通道的 Cross-session EEG 任务流上，与每会话独立适配器比较旧会话性能保持、每任务新增存储及含任务识别的端到端时延。已有 EEG 相关工作尚未检索确认。