内容摘要
擦玻璃时机器人看不出这一块是否已擦过，会反复擦同一处。难点不在单步动作，而在于当前画面不足以决定该做什么：现有 VLA（视觉-语言-动作模型，直接把观测与指令映射为动作的策略）大多默认马尔可夫假设，只看当前观测，在需要工作记忆的任务上会系统性失败。
作者提出 HeLM（Hierarchical Explicit Language Memory，分层显式语言记忆），借鉴人的"内心独白"，把任务相关历史直接写成自然语言。高层策略 HLP（Qwen2.5-VL-7B）维护记忆并下发动作命令，低层策略 LLP（π0，一种视觉-语言-动作模型）执行动作；记忆分为单条指令内的工作记忆和跨指令的情景摘要，且更新由事件触发——只有检测到任务相关事件或指令变化时才改写。
在 10 个非马尔可夫真机任务、56 个变体（含五个跨指令任务）上，指令内子任务成功率 85.7%，关键帧-HLP 为 72.9%，PCMB-π0 为 39.5%，无记忆的 Naïve-π0 仅 16.7%；换成"全部子任务完成、顺序正确、正常停止"的严格口径，HeLM 保持 81.3%，关键帧-HLP 跌到 29.3%，两个 π0 基线为 0%。跨指令任务上 HeLM 平均 89.2%，关键帧-HLP 仅 16.6%；两个 π0 基线因在回合边界重置内部状态被排除，作者称专用跨指令基线仍待提出。
任务加长到七个子任务时，"按 N 次"仍为 100%，"按顺序按"最低 77%；短序列下自回归生成文本反而更慢，但长序列下比关键帧基线快 2.5 倍，8 个事件时峰值显存不到 6 GB，基线为 28 GB。仿真基准 LIBERO-Mem 上平均 58.5%，对比 π0.5 基线的 36.5%。以上均为作者论文自报结果，尚无独立复现。
点评
对做机器人本体软件的工程师，最直接的变化是：机器人"做过什么"变成一段可读、可改写的文本状态，而不是隐特征或图像帧序列。事件触发的更新机制允许按任务定制事件词表，出问题时能直接看出记忆写错了什么；语言记忆体积小，跨指令只需保留一段结构化摘要，长序列下显存与延迟的扩展性明显好于堆图像帧。工程代价是 HLP 需用 TaskSpec 生成的约 130k 帧做 QLoRA 微调、每 10 步调用一次，落地时要为自己的任务重做事件定义与数据合成。
数据均为作者论文自报，无独立复现；证据为 arXiv v1 全文与元数据，版本固定，未覆盖后续修订。事件依赖 TaskSpec 预定义，不支持开放式记忆发现；只覆盖离散事件，不含连续状态（如液面、精确几何历史）；HLP 按动作块同步调用，可能漏掉块内瞬时事件；工作记忆与情景记忆分离的收益未做对照。长序列数据止于七个子任务，且只在单一桌面机械臂平台上验证。
版本与核查范围
版本 2611.02660v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#S5.SS2.p1.1；#A5.SS1.p2.1；#S5.T1.4；#S5.SS2.p2.1；#S1.p5.1；#S3.SS4.p1.1；#S5.SS6.p2.1；#S5.SS6.p3.1；#S5.SS4.p3.1；#S5.SS1.p2.1；#S6.p1.1