Jim Fan、李飛飛團隊新作：機器人也能「上下文scaling」

### Jim Fan、李飛飛團隊新作：機器人也能「上下文scaling」，長上下文成新突破方向

在機器人領域，上下文窗口的限制一直是制約其長期任務執行的關鍵瓶頸。如同大語言模型（LLM）通過擴展上下文長度實現了顯著的性能飛躍，機器人也迫切需要類似的能力來增強記憶和決策。然而，過去受限於極短的上下文窗口，機器人往往會迅速遺忘剛剛發生的信息，導致在多階段長程任務中表現不佳。針對這一挑戰，英偉達高級研究科學家Jim Fan與斯坦福大學教授、“AI教母”李飛飛團隊及其合作者，聯合推出了革命性的機器人模型與訓練方案RoboTTT（Test-Time-Training Robot Policies）。

這項研究將視覺運動上下文擴展到8K時間步，相當於5分鐘的“肌肉記憶”，比現有最優策略高出三個數量級，且不增加推理延遲。相關論文已發佈在arXiv上，引發業界廣泛關注。RoboTTT的核心創新在於將測試時訓練（TTT）嵌入機器人基礎模型，從而實現高效的長上下文建模。具體而言，RoboTTT利用快速權重作為模型的循環狀態，每次接收傳感器輸入時，模型都會執行一步梯度更新，將歷史信息動態寫入權重中。這種設計的優勢在於，隱藏狀態大小固定，使得機器人能夠在較低開銷下保留更長曆史信息，並在部署後繼續學習和適應。從架構上看，RoboTTT由視覺-語言模型（VLM）骨幹和帶有TTT層的DiT動作頭組成。

注意力層專注於處理單個時間步內的信息，而TTT層則沿時間維度捕捉跨時間依賴性。為提高計算效率，模型不直接處理所有視覺-語言token，而是採用少量register token在時間上傳遞關鍵信息。此外，TTT輸出經Tanh Gating後再加入注意力輸出，有效保留了預訓練能力。在訓練方法上，RoboTTT結合了序列動作強制和截斷反向傳播算法（TBPTT），以支持長上下文訓練。序列動作強制為每個動作塊獨立採樣噪聲水平，有助於穩定flow-matching訓練；TBPTT則將長序列劃分為片段，只在片段內反向傳播梯度，但允許快速權重繼續跨片段傳遞信息。

這種方法既實現了TTT在整條序列中的貫穿應用，又將顯存開銷控制在片段長度範圍內。同時，RoboTTT還引入了長上下文約束機制，將部分時間步僅作為上下文使用。這些時間步會更新快速權重，但不參與動作損失計算。基於此，模型可以從兩種上下文中學習：一是人類視頻模仿，其中人類視頻作為上下文更新權重，動作損失在機器人軌跡上計算；二是DAgger蒸餾，完整軌跡更新權重，但損失只在人類糾正動作上計算，從而將失敗後的糾正方式編碼到權重中。研究團隊在三個具有挑戰性的長程雙臂裝配任務上對RoboTTT進行了全面評估，包括Pup Go Car（玩具車裝配）、Circuit（電路裝配）和Gear Bot（齒輪機器人）。

這些任務平均持續約5分鐘，包含多個階段，對機器人的記憶和適應能力提出了極高要求。基線方法包括單步上下文策略GR00T N1.7以及將TTT層替換為Gated DeltaNet的GDN，後者同樣採用循環狀態但更新機制不同。結果顯示，RoboTTT在所有任務上均表現出色，平均任務完成分數達到79%，顯著高於基線方法。特別是在最複雜的Gear Bot任務中，RoboTTT是唯一能夠完整完成全部10個階段的方法。此外，RoboTTT在區分視覺相似階段、從失誤中恢復以及執行細粒度操作方面均展現出優勢，例如在電鑽對準螺絲時能主動重新對齊。進一步的實驗揭示了上下文長度對性能的顯著影響。

當預訓練上下文從128時間步擴展到8K時間步時，RoboTTT的平均任務完成分數從較低水平提升至71.5%，相比1K版本提高了63%，且未出現飽和跡象。相比之下，GDN在上下文變長時並未獲得同等提升，研究團隊認為這歸因於RoboTTT的梯度下降更新機制：它能夠學習快速權重的初始化和更新方式，而GDN的線性關聯狀態不具備這種元學習能力。這一發現表明，上下文長度可作為機器人基礎模型的一個新型scaling軸，具有廣闊的發展潛力。Jim Fan甚至在社交平台發文稱：“很快，即使是100萬上下文，也不再是幻想。”

RoboTTT還展現了獨特的一次性模仿和擾動恢復能力。基於上下文中的單段人類視頻，機器人能夠在未見配置下完成任務。在Circuit任務中，RoboTTT在10次試驗中成功6次，任務完成分數為65%，而GDN從未完全成功。在物理擾動測試中，當人類故意移除已安裝部件時，RoboTTT能夠根據上下文自主返回並重新安裝。例如，車頂被移除時，RoboTTT的恢復率為75%，高於GDN的65%和短上下文基線的50%；輪胎被移除時，恢復率達到90%，與GDN持平但高於基線。這種魯棒性源自長上下文對歷史信息的高效利用。此外，RoboTTT的DAgger蒸餾機制賦予了其強大的即時恢復能力。

與標準DAgger僅在人類糾正動作上微調不同，RoboTTT將完整軌跡（包括次優機器人動作）作為上下文，但只在糾正動作上計算損失。結果顯示，標準DAgger平均提升9%，而RoboTTT的DAgger蒸餾平均提升33%。這意味著RoboTTT學習了一種隱式糾錯算法，能夠在執行過程中從自身錯誤中恢復，無需人工干預。這種自我改進能力特別適合需要連續調整的長程任務。儘管成果顯著，研究團隊也指出了RoboTTT現有的不足。首先，擴展訓練上下文長度會增加訓練成本，雖然推理成本保持恆定，但訓練效率仍有待提升。未來可採用更高效的TTT訓練技術（如TNT）來降低成本。

其次，TTT層的目標函數存在探索空間，面向機器人的專用目標可能進一步改善性能。此外，RoboTTT未覆蓋部署中可能出現的全部失敗模式，與強化學習結合以直接優化任務成功率，被認為是極具潛力的未來方向。團隊強調，RoboTTT只是一個開端，長上下文的潛力遠不止於此。綜合來看，RoboTTT為機器人領域開闢了新的可能性。通過將上下文長度作為新的scaling方向，研究團隊不僅解決了長期困擾機器人領域的記憶瓶頸，還展示了從人類視頻中進行一次性模仿、實時自我改進以及對物理擾動的強大魯棒性。隨著技術的持續迭代，RoboTTT有望成為未來機器人基礎模型的關鍵組件，推動具身智能從實驗室走向更廣泛的實際應用。

正如Jim Fan所言，機器人的上下文擴展才剛剛開始，未來百萬級上下文或將徹底改變智能體的行為模式。