闭环操作中的持久状态
当前图像通常缺少完成物理任务所需的信息。POT-VLA在行走、接触、遮挡和恢复过程中保留按角色索引的三维物体记录，在真实世界测试中达到71/80的成功率，而匹配基线为39/80。FM-VLA则将腕部力历史压缩为8个记忆标记；在三个接触密集型任务上，其平均成功率为83.3%，而无记忆策略为27.8%。这些研究共同表明，有用的记忆应保留物理事件和实体，而不只是增加更多过去的图像。
概览
当天最有力的证据强化了最近一次有内容的日度信号：可靠的具身控制依赖于能够在执行过程中持续保留的状态。持久化的三维物体信息、力历史、密集视觉图像块和结构化的未来引导，都能改善操作或规划。结果很有前景，但大多局限于单个机器人和基准；一项鲁棒性研究还表明，加入推理并不能可靠地让策略更安全。
研究发现
结构化表示高效引导行动
多篇论文通过显式保留通用表示会丢弃的结构来改善控制。Patch Policy保留密集的Vision Transformer图像块；在使用5155万参数而非76.1亿参数的情况下，其真实机器人结果优于OpenVLA-OFT。SAGE在提出动作前预测可到达的潜在子目标，使PushT在规划时域为150时的成功率从12.7%提升到64.7%。GeoWorldAD同样根据当前和预测的三维几何信息规划驾驶轨迹，在NAVSIM v1上达到91.0 PDMS。共同机制是缩小并面向行动的搜索空间，而不只是扩大规模。
资料来源
推理仍取决于架构
显式的中间计算本身并不能证明控制具有鲁棒性，也不能证明模型具备因果理解。在一项VLA比较中，加入高斯视觉噪声后，潜在迭代推理的成功率降至14.8%，而文本思维链仍保持92.7%；一次自适应攻击还将基于推理的检测器AUC从0.996降至0.493。另一项视频研究发现，生成器即使缺乏较强的显式因果感知，也能生成看似合理的后续内容。这些结果收窄了可作出的结论：必须在推理影响行动或预测结果的环节检验其作用。