来源笔记
Long-Term Memory for VLA-based Agents in Open-World Task Execution
摘要
ChemBot 面向长时程化学实验室执行，使用一个 VLA 代理来规划、执行、跟踪进度，并复用过去成功的轨迹。论文的主要观点是，双层记忆、闭环子任务规划，以及带进度感知的 VLA，能提升分解质量和真实任务成功率，优于 VLA 基线。
问题
- VLA 系统可以把语言和视觉映射为机器人动作，但在长链条、依赖状态的实验室流程中常常吃力，因为错误会在很多步骤中累积。
- 现有系统通常把规划和执行分开，也不保留成功运行的持久记忆，所以机器人会反复试错，而不是复用已经有效的方法。
- 这在化学实验室里尤其重要，因为任务分阶段、对安全要求高，而且需要根据当前物理状态精确切换子任务。
方法
- 该系统名为 ChemBot，采用两层设计：基于 LLM 的代理把任务规划成原子子任务，名为 Skill-VLA 的 VLA 策略在机器人上执行每个子任务。
- Scene Describer 把当前台面图像转换成结构化面板，包含物体、状态、可供性和空间关系，这样规划时用的是有落地信息的场景，而不是只看原始图像。
- 规划在闭环中运行，由 Subtask Reasoner 每次提出一个原子步骤，由 Reflector 在把步骤加入队列前检查可行性、冗余和顺序有效性。
- 记忆系统包含用于当前场景状态、工具输出和任务进度的 短期记忆，以及存储先前成功轨迹、供后续实验语义检索的 长期情景记忆。
- Skill-VLA 基于 GR00T，并加入一个 进度头，预测一个标量子任务完成值，范围为 �[0,1]。当进度超过阈值时，代理结束当前技能并切换到下一个。论文还加入了异步未来状态推理，以减少动作不连续。
结果
- 在化学任务分解中，针对测试过的基础 VLM，Qwen3-VL-Plus 的文本/结构得分最好，Edit Distance 0.733、BERTScore F1 0.744、ROUGE-1 0.542、ROUGE-2 0.366、ROUGE-L 0.471。Qwen3-VL-Flash 更快，总耗时 98.8 s、16 s/step，而 Qwen3-VL-Plus 为 298.8 s、42 s/step。
- 在使用 Qwen3-VL-Flash 的 ChemBot 消融实验中，完整模型 达到 Edit Distance 0.766、BERTScore F1 0.694、ROUGE-L 0.324、98.8 s 运行时间和 22,401 tokens。去掉 Scene Describer 对分解质量影响最大，Edit Distance 升到 0.915，BERTScore F1 降到 0.556。
- 去掉 Subtask Chain 后，消融中的结构崩塌最明显，Edit Distance 1.195，而完整模型为 0.766。去掉 Reflector 后，Edit Distance 为 0.881。去掉 Memory 后，token 长度从 22,401 增加到 28,064，说明记忆主要降低上下文负担，同时把质量维持在接近完整模型的水平。
- 用于训练 Skill-VLA 的机器人数据集包含 5,459 条专家轨迹，平均 872.2 帧，涵盖 51,580 段原子动作，分布在 12 类化学流程中。
- 真实世界评估使用了 UR3 机器人、每个任务 16 次试验，以及三个多步骤实验：Precipitation（11 步）、Heat and Dissolution（7 步） 和 Neutralization（6 步）。论文指出，采用子任务级训练的 Skill-VLA 在这三个任务上都优于完整轨迹基线 (\pi_{0.5}) 和 GR00T。
- 这段摘录没有给出图 8 的确切成功率百分比，所以最强的可支持结论只能是定性的：完整的 ChemBot 策略在真实世界中的成功率、安全性和精度都高于完整轨迹 VLA 基线，作者把提升归因于子任务分解和基于进度的技能切换。