يقدّم الباحثون «ذاكرة الانتقال الكامنة» (LTM)، وهي طريقة تساعد الروبوتات على تذكّر التفاعلات التي لم تعد ظاهرة أمامها. وبدلًا من تخزين الملاحظات كاملة، تسجّل الطريقة انتقالات موجزة بين ملاحظات متعاقبة، وتستخدمها مع نموذج الرؤية واللغة والفعل π₀.₅.
في الاختبارات التي أوردها الباحثون، حقق LTM-π نسبة نجاح بلغت 80.5% على LIBERO-Mem و58.54% على RoboMME، متفوقًا على خطوط أساس لم تستخدم نماذج استدلال خارجية أو تعليقات توضيحية مخصصة للذاكرة. وأفادت الورقة أيضًا بارتفاع نسبة النجاح في مهام العدّ باستخدام روبوت حقيقي من 11.25% إلى 82.50%؛ لكن الملخص لا يقدّم تفاصيل عن الروبوت أو إعداد الاختبار.
لماذا يهم
توفّر LTM لباحثي الروبوتات طريقة خضعت للاختبار لاحتواء سجل التفاعلات ضمن ميزانية ذاكرة صغيرة، لكن الملخص وحده لا يثبت مدى نجاحها مع روبوتات أو مهام أخرى.
