پژوهشگران سامانه‌ای به نام LEXP معرفی کرده‌اند که به ربات کمک می‌کند از تلاش‌های پیشین برای انجام کارهای دست‌ورزی درس بگیرد. این سامانه برنامه‌ریزی کار را با ماژولی ترکیب می‌کند که شواهد اجرای کار را تفسیر می‌کند، درس‌ها را همراه با شرایط کاربردشان ذخیره می‌کند و راهنمایی‌های مرتبط را در اختیار ربات می‌گذارد تا در اقدام‌های بعدی از آن‌ها استفاده کند؛ وزن‌های مدل و رابط اقدام ثابت می‌مانند.
در آزمایش پژوهشگران روی ۱۲ کار واقعی، LEXP در ۲۳ مورد از ۳۶ تلاش (۶۳٫۹٪) موفق شد. این رقم برای استفاده از حافظه به‌تنهایی ۱۹ مورد از ۳۶ تلاش (۵۲٫۸٪) و برای مدل پایهٔ ChatGPT-6-Astra، بدون LEXP، ۲ مورد از ۳۶ تلاش (۵٫۶٪) بود. این‌ها نتایج گزارش‌شده در مقاله‌اند و ارزیابی مستقلی نیستند.
چرا مهم است
برای پژوهشگران رباتیک، این نتایج نشان می‌دهد که نگه‌داشتن درس‌های ویژهٔ هر کار می‌تواند عملکرد یک مدل ثابت را در تلاش‌های فیزیکی تکراری بهبود دهد؛ اما هنوز مشخص نیست این روش تا چه اندازه فراتر از این ۱۲ کار قابل تعمیم است.
