标签
SimpleMemVLA为视觉-语言-动作模型引入了一种简单的记忆机制，通过将完整的时间戳视频历史馈送到预训练的VLM骨干网络中，在长期操作任务中实现了最先进的结果，无需专用记忆模块。
GROVE是一个无需训练的框架，它从连续视频流中生长出时间分层记忆，同时支持反应式问答和主动式辅助。它在MM-lifelong和EgoServe等基准上取得了最先进的结果。