LTM：以潜在转移记忆支持机器人控制

基于摘要分析。本文研究机器人操控中如何记住当前已不可见的交互，提出 Latent Transition Memory（LTM），将相邻观测间的变化编码为紧凑潜在转移，用作视觉-语言-动作模型的上下文记忆。主要研究对象是具备历史依赖的机器人控制，而非 EEG 解码或 BCI。 方法以 π₀.₅ 为基础构建 LTM-π，结合冻结的潜在动作编码器、轻量适配器与因果 KV 缓存，实现增量推理，不依赖记忆专用语义标注或外部推理模型调用。作者报告，消融支持转移内容具有超出时间线索的作用，并支持延迟接纳记忆的效率价值；具体编码目标、记忆接纳规则及消融设置尚未验证。 作者报告，使用 DreamDojo transitions 时，LTM-π 在 RoboMME 和 LIBERO-Mem 上的成功率分别为 58.54% 和 80.5%，在不使用外部推理模型或记忆专用标注的所比较基线中表现最佳。另一项 RoboMME 演示数据扩展实验中，演示量增至十倍，成功率由 57.67% 升至 87.50%；摘要未解释该实验起点与前述结果的设置差异，不宜直接合并比较。记忆压缩实验中，200-token 预算下成功率为 84.00%，未压缩时为 87.50%。作者还报告真实机器人计数任务成功率由 11.25% 升至 82.50%，但摘要未明确该对照的具体配置。Cup Swap 诊断提示过程监督对时间组合的作用。数据划分、试验次数、统计不确定性及完整对照条件尚未验证。 平台推测（待验证）：若连续 EEG 任务需要保留跨片段状态变化，潜在转移记忆可能提供一种历史压缩假设。可借鉴转移编码与增量缓存，但视觉潜在动作编码器需替换为适配 EEG 的时序编码器，并重新验证监督需求；低信噪比、通道变化及跨被试漂移可能使转移表征主要记录伪迹或分布变化。一个小规模可证伪实验是在固定数据划分、编码器和记忆预算下，对比潜在转移记忆、静态片段记忆与无记忆模型，并打乱转移顺序以检验收益是否真正依赖历史。已有 EEG 相关工作尚未检索确认。