arXiv cs.AI· Qiangong Zhou, Jiafeng Liang, Yimin Dong, Yang He, Hongxiang Li·· 11 小时前AI 评分22
TTT in VLA 模型：探索用人类演示训练
TTT in VLA Models: Exploring Training with Human Demonstrations
AI 导读
研究将 Test-Time Training（TTT）集成进 InternVLA-A1 和 Pi0.5，通过配对演示与机器人轨迹训练，探索基于人类演示的动作生成。在当前规模下，加入 TTT 与配对数据训练并未带来一致的演示目标选择；更短序列、全轨迹梯度连通和对比正则也未明显提升对演示的响应。演示缩减为单帧线索时，真机执行仍偏好固定位置的杯子。
正文 · AI 翻译
摘要：长时程机器人任务需要保留并使用过去的信息。我们将以快速权重存储上下文的测试时训练（TTT）集成到 InternVLA-A1 和 Pi0.5 中，通过配对演示与机器人轨迹的训练，研究以人类演示为条件的动作生成。我们实现了两个阶段之间的记忆迁移和截断反向传播，并在视频、短视频和单帧线索任务中考察了训练目标、梯度覆盖和对比正则化。在我们的实验中，在当前规模下加入 TTT 并在配对数据上训练，并未带来基于演示的一致目标选择。在测试的设置下，更短的序列、全轨迹梯度连通性和对比正则化并未明显提升对演示的响应性。当演示被缩减为单帧线索时，真实机器人执行仍表现出对固定位置杯子的偏好。我们记录了实现、训练配置和观察结果，以支持进一步检查和复现。
| 评论： | 22 页，6 幅图，一份技术报告，来自标准机器人公司 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.32094 [cs.RO] |
| （或 arXiv:2610.32094v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32094 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Qiangong Zhou [查看邮箱]
[v1]
2026 年 10 月 23 日星期五 02:55:23 UTC（2,483 KB）
来源：arXiv cs.AI · arxiv.org