NVIDIA推出RoboTTT，这是一种机器人基础模型及训练配方，可在不增加推理延迟的情况下将视觉运动上下文扩展至8,000个时间步。通过将测试时训练（Test-Time Training）集成到视觉-语言-动作（Vision-Language-Action）策略中，该系统利用由梯度下降更新的快速权重，将历史压缩至权重空间。

  • 支持从人类视频演示中进行一次性上下文内模仿，并实现即时的策略改进。
  • 对扰动具有鲁棒性，并在多阶段、长视域任务中表现更强。
  • 在真实机器人操作任务上，相比单步上下文基线，整体性能提升87%。
  • 完整完成了一项耗时五分钟、包含十个阶段的装配任务，而此前没有任何基线模型能够完成。
  • 比使用1,000个时间步预训练的模型性能高出62%，确立了上下文长度作为新的扩展维度。

作者认为此举至关重要，因为它为机器人基础模型解锁了新的能力，并展示了随着预训练上下文长度的扩展，闭环性能持续获得提升。