VLA模型中的测试时训练：探索用人类演示进行训练

📋总体概括

一项发布于arXiv的新研究将测试时训练（TTT）机制——通过快权重存储上下文——集成到InternVLA-A1和Pi0.5两个VLA模型中，探索机器人能否在长时程任务中基于人类演示视频生成动作。研究实现了两阶段间的记忆迁移与截断反向传播，并在视频、短视频、单帧线索任务上测试了训练目标、梯度覆盖和对比正则化。然而实验结论偏负面：在当前规模下，加入TTT和配对数据训练未能实现一致的演示目标选择，更短序列、全轨迹梯度连通及对比正则化也未明显改善响应能力。这是一份坦诚的负面结果研究，对VLA领域的上下文记忆路线具有参考价值。