当前绝大多数具身智能机器人策略普遍存在 “短期记忆” 短板，模型只能利用单帧或者极短时段的视觉运动信息，执行多步骤、长时序任务时极易遗忘历史进程，难以连贯完成复杂装配。借鉴大语言模型上下文扩展思路，研究界开始探索机器人领域的上下文缩放路径。英伟达高级研究科学家 Jim Fan 联合斯坦福大学李飞飞团队推出 RoboTTT（Test-Time-Training Robot Policies），给出一套面向机器人视觉运动策略的长上下文建模范式。论文显示，该框架支持 8K 时间步上下文，形成长达 5 分钟的连续 “肌肉记忆”，突破现有技术上限，同时推理阶段算力开销保持稳定。

RoboTTT 核心创新在于把测试时训练（TTT）融入 VLA 视觉 - 语言 - 动作机器人基础模型，以快速权重充当循环记忆载体。传统长上下文方案需要存储海量历史观测序列，推理算力随时序拉长持续上涨；而 RoboTTT 在每一轮传感器输入时执行轻量化梯度更新，把历史交互信息持续压缩进固定大小的快速权重之中。无论上下文时长如何延伸，隐状态占用资源恒定，机器人部署之后还能够持续在线学习，解决长时序记忆的算力瓶颈。整套体系由三大核心设计构成。　　

其一为分层模型架构。整体采用 VLM 骨干搭配嵌入 TTT 层的 DiT 动作头。注意力层负责处理单时间步空间信息，TTT 层放置于注意力模块后端，专门处理跨时序关联。为降低运算负担，系统依靠少量寄存器 Token 传递时序信息，避免全部视觉 Token 进入 TTT 运算；同时引入 Tanh 门控机制，平衡新增时序能力与模型原有预训练通用技能，防止新模块破坏基础操作能力。　　

其二是适配超长序列的训练方案。框架融合序列动作强制策略与截断时间反向传播（TBPTT）。序列动作强制为不同动作片段独立采样噪声，稳定 Flow-Matching 训练流程；TBPTT 把超长时序切分为多个片段，仅在片段内部反向传播梯度，但快速权重可以跨片段持续传递时序信息，在可控显存消耗前提下，实现完整长序列的 TTT 训练。　　

其三是长上下文约束训练机制。模型区分两类时序数据：仅充当记忆上下文、不参与动作损失计算的观测序列，以及用于监督训练的动作序列。依托该机制搭建两种重要学习范式：视频模仿模式，仅使用人类演示视频更新快速权重，无需配对机器人轨迹即可实现一次性模仿；DAgger 蒸馏模式，完整轨迹写入记忆，仅在人类修正动作上计算损失，让机器人自主学习失败场景下的纠错逻辑。　　

团队在三项长时序双臂装配任务中开展系统性对比测试，以 GR00T N1.7、Gated DeltaNet 作为基线，验证上下文缩放带来的性能增益。实验呈现多项关键结论。首先，RoboTTT 整体任务完成率达到 79%，在包含 10 个子步骤、时长约 5 分钟的齿轮机器人装配任务中，是唯一能够完整跑完全流程的模型。单纯拼接历史观测帧无法稳定提升性能，部分场景下甚至造成效果下滑，证明高效时序记忆不能依靠简单缓存历史画面。　　

其次，性能随预训练上下文长度持续提升，没有出现明显饱和迹象。8K 时间步版本任务完成分数相比 1K 版本提升 62%；与之对照，GDN 循环状态方案无法通过拉长上下文持续收获收益。根源在于 RoboTTT 依靠梯度更新快速权重，具备元学习能力，而传统线性循环状态缺乏持续进化空间。　　

同时模型具备强大的少样本模仿与扰动恢复能力。在电路装配任务中，仅依靠一段人类演示视频，RoboTTT 就能适配全新配置，60% 试验取得成功；当外界人为移除已经装配完成的零部件，机器人能够识别状态异常、回溯流程重新装配，扰动恢复成功率全面高于基线模型。依托改良 DAgger 蒸馏方案，机器人可以在线从自身失误中自主修正，相较标准 DAgger 方案平均性能提升 33%。　　

这项研究首次证明，上下文长度是继参数量、数据量之后，机器人基础模型又一条可行的缩放路线。Jim Fan 进一步提出展望，未来百万级时间步长上下文具备落地可能性。但方案仍存在明显短板：延长训练上下文会推高训练算力成本；TTT 层优化目标函数仍有广阔探索空间；当前测试场景集中于仿真装配任务，现实工业复杂环境下各类极端失败模式尚未完全覆盖。后续团队计划结合高效 TTT 训练技术、强化学习算法，持续优化长时序机器人策略。　　

从产业视角来看，当前工业人形机器人、双臂协作机器人大量面临多工序连续作业需求。现有的 VLA 模型普遍时序视野受限，很难自主完成一整套连贯装配流程。RoboTTT 提供一条可行路线：无需爆炸式增加推理算力，就能让机器人记住完整作业流程、自主识别工序偏差、遇到干扰自主回退修正，有望推动具身智能从短时零散操作，迈向连续长流程自主作业，对工厂柔性装配、巡检运维等场景具备重要价值。