# LTM به ربات‌ها حافظه‌ای فشرده از اقدامات گذشته می‌دهد

> پژوهشگران روشی معرفی کرده‌اند که به ربات‌های بینایی‌ـ‌زبان‌ـ‌کنش کمک می‌کند تعاملات گذشته را به‌صورت گذارهای فشرده نگه دارند؛ این روش در آزمون‌های حافظه موفقیت بیشتری به همراه داشته است.

Oossa · 2026-10-16 · https://oossa.com/fa/ltm-gives-robots-a-compact-memory-of-past-actions

پژوهشگران روش «حافظه گذار نهفته» (LTM) را معرفی کرده‌اند؛ روشی که به ربات‌ها کمک می‌کند تعاملاتی را به یاد بسپارند که دیگر در میدان دیدشان نیستند. این روش به‌جای ذخیره‌سازی کامل مشاهدات، گذارهای فشرده میان مشاهدات پیاپی را ثبت می‌کند و آن‌ها را همراه با مدل بینایی‌ـ‌زبان‌ـ‌کنش π₀.₅ به کار می‌گیرد.

در آزمون‌های گزارش‌شده، LTM-π در LIBERO-Mem به موفقیت 80.5% و در RoboMME به 58.54% رسید و از روش‌های پایه‌ای بهتر عمل کرد که نه از مدل‌های استدلالی بیرونی استفاده می‌کردند و نه از حاشیه‌نویسی‌های ویژه حافظه. مقاله همچنین گزارش می‌دهد که میزان موفقیت در شمارش با ربات واقعی از 11.25% به 82.50% افزایش یافته است؛ چکیده مقاله جزئیاتی درباره ربات یا شیوه اجرای آزمون ارائه نمی‌کند.

## حقایق

- این روش گذارهای میان مشاهدات پیاپی را ذخیره می‌کند و برای استنتاج افزایشی از کش‌گذاری علّی KV استفاده می‌کند.
- مقاله با بودجه حافظه 200 توکنی، موفقیت 84.00% را گزارش می‌کند؛ این رقم بدون فشرده‌سازی 87.50% است. 

## چرا مهم است

برای پژوهشگران رباتیک، LTM روشی آزموده‌شده برای جا دادن تاریخچه تعاملات در بودجه‌ای محدود از حافظه فراهم می‌کند؛ بااین‌حال، چکیده به‌تنهایی نشان نمی‌دهد که این روش تا چه اندازه به ربات‌ها یا وظایف دیگر قابل تعمیم است.

## منابع و ارجاع‌ها

1. [LTM: Latent Transition Based In-Context Memory for Vision-Language-Action Models](https://arxiv.org/abs/2610.21362) – arXiv cs.RO, 2026-10-16

آخرین به‌روزرسانی: 2026-10-16