内容摘要
多数视觉-语言-动作模型（VLA，把图像与语言指令转成机器人动作的模型）只看当前一帧的 2D 图像，单独推断出的几何信息用完即弃，没有沉淀成可累积的任务表示。GeoMem-VLA 的判断是：动作生成需要一份紧凑、与任务相关、能持续更新的几何抽象，而不是每步都给出完整 3D 重建。
做法是把显式 3D 监督“内化”成少量可学习的几何 token（GeoPlan）。训练时冻结的几何基础模型 VGGT 提供当前场景点图目标、演示轨迹提供未来末端执行器（机械臂末端）轨迹，二者合成几何流匹配目标来监督 token；token 与观测表示一起写进整段回合的记忆，每步检索历史并与当前观测自适应融合，相似条目被合并压缩，只留特征差异明显的状态。部署时几何教师与几何解码头从动作推理链路移除，几何只以隐向量留在策略内部，检索、融合与合并逻辑仍需自行实现。
作者自测、按基准适配后：LIBERO 四套件平均 98.9%（Long 套件 96.6%）；RoboTwin 2.0 清洁/随机化 91.10%/91.24%，平均 91.17%；5 个真机任务平均 78.0%。消融显示两个模块都有贡献：去掉几何分支，LIBERO 降至 97.9%、RoboTwin 降至 89.71%；去掉时序记忆分别为 98.2% 与 90.18%。真机每任务只有 10 次独立闭环 rollout，且须完成全部流程才算成功。
点评
给机器人本体软件工程师，可迁移的是“几何监督 + 因果时序检索 + 相似条目合并”这套记忆结构：几何在训练期由冻结教师教成 token，部署期只作为回合记忆被检索，推理链路里无需挂载 3D 模型与几何解码头，但检索、门控融合与合并逻辑仍要在策略内部实现。表中领先幅度来自训练数据与协议不一致的横向对比，只能当参考；真正指向两个模块价值的是同协议消融：LIBERO 上两项差距都不大，RoboTwin 上也只在 50 个任务中的 35 与 27 个上占优。
作者自己写明：与已发表方法的横向对比因训练数据、输入和协议不同，只是提供上下文，不构成受控排名；表 1、表 2 中各方法结果引用各自原始来源并保留其协议。消融的绝对差距在 LIBERO 上很小（去掉几何分支 Spatial 掉 1.6、Long 掉 1.4；去掉时序记忆 Long 由 96.6% 降到 94.2%），50 个 RoboTwin 任务中全模型也只在 35 与 27 个任务上占优，收益并非逐任务普遍。评测规模：LIBERO 每任务 50 次试验、RoboTwin 每任务每设置 100 次；真机每任务仅 10 次独立 rollout，必须完成全部流程才算成功、部分完成记为失败，样本很小；作者另声明真机结果不能说明面向人或无约束场景下的安全性。可复现性方面，作者只承诺代码在论文发表后公开，本次核查仅拿到 arXiv HTML 正文与表格快照，未见可直接取用的代码产物，也未做独立复现。
版本与核查范围
版本 2610.29866v1 · 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；#abstract1.1；#S1.p4.1；#S3.SS3.SSS0.Px3.p1.1；#abstract1.1；#S4.T1.4；#S4.SS2.p2.1；#S4.SS3.SSS0.Px1.p2.1；#S4.SS5.SSS0.Px1.p1.1；#A5.SS3.p2.1；#S4.SS1.SSS0.Px1.p1.1；#S5.SSx3.p1.1