# LTM помогает роботам компактно запоминать прошлые действия

> Исследователи представили метод, позволяющий роботам с моделью «зрение — язык — действие» сохранять прошлые взаимодействия в виде компактных переходов. По их данным, он повышает успешность выполнения задач на запоминание.

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

Исследователи представили Latent Transition Memory (LTM) — метод, который помогает роботам помнить взаимодействия, уже не попадающие в поле зрения. Вместо хранения полных наблюдений он записывает компактные переходы между последовательными наблюдениями и использует их вместе с моделью «зрение — язык — действие» π₀.₅.

В описанных авторами испытаниях LTM-π показала успешность 80.5% на LIBERO-Mem и 58.54% на RoboMME, превзойдя базовые модели, которые не использовали ни внешние модели для рассуждений, ни специальные аннотации для задач на память. В статье также сообщается, что успешность подсчёта объектов на реальном роботе выросла с 11.25% до 82.50%; в аннотации не уточняется, какой использовался робот и как проходило испытание.

## Факты

- Метод сохраняет переходы между последовательными наблюдениями и использует причинное KV-кэширование для инкрементального вывода.
- В статье сообщается об успешности 84.00% при ограничении памяти в 200 токенов против 87.50% без сжатия.

## Почему это важно

Для исследователей в области робототехники LTM предлагает проверенный способ уместить историю взаимодействий в небольшой объём памяти. Однако одной аннотации недостаточно, чтобы судить, насколько хорошо метод применим к другим роботам и задачам.

## Источники и ссылки

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

Обновлено: 2026-10-16