論文の概要: SimpleMemVLA: A Simple but Effective Native-Video Memory for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2609.05533v1
• Date: Wed, 02 Sep 2026 02:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.088959
• Title: SimpleMemVLA: A Simple but Effective Native-Video Memory for Vision-Language-Action Models
• Title（参考訳）: SimpleMemVLA:視覚-言語-アクションモデルのためのシンプルだが効果的なネイティブビデオメモリ
• Abstract要約: 専用メモリモジュールを持たないVLAであるSimpleMemVLAを紹介する。 サンプルされた履歴をそのまま保持し、タイムスタンプ付きビデオフォーマットでバックボーンに渡す。 SimpleMemVLAは、汎用制御のコストなしで4つのメモリベンチマークに新しい状態を設定する。
• 参考スコア（独自算出の注目度）: 47.662249052606995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon manipulation is partially observable: the information needed to choose the next action may appear only in observations from minutes earlier. Existing memory mechanisms: retrieval banks, learned compressors, recurrent states must decide what to keep from the past before knowing what a future decision will require. This was motivated by the assumption that minute-scale history is too large to process directly, which modern VLM backbones no longer make true. In this work, we introduce SimpleMemVLA, a VLA without a dedicated memory module. It keeps the sampled history intact and passes it to the backbone in the timestamped video format the backbone was pretrained to process; the hidden states of a generated sub-task then form the only channel from history to a standard flow-matching action head. Since consecutive decisions share most of their history, prefilling the shared prefix during action execution keeps latency close to a single-frame VLA. SimpleMemVLA sets a new state of the art on four memory benchmarks without cost on general-purpose control. Holding the backbone and training setup fixed, it outperforms retrieval, compression and recurrent-state mechanisms by a wide margin, and causal interventions confirm that the policy genuinely reads its history. Code available at https://github.com/wadeKeith/SimpleMemVLA
• Abstract（参考訳）: ロングホライゾンの操作は部分的に観察可能であり、次のアクションを選択するために必要な情報は数分前に観測されるのみである。 既存のメモリメカニズム: 検索バンク、学習された圧縮機、リカレントステートは、将来の決定に何が必要かを知る前に、過去から何を維持するべきかを決定する必要がある。 これは、マイクロスケールの歴史が直接処理するには大きすぎるという仮定によって動機付けられ、現代のVLMのバックボーンはもはや真実ではない。 本稿では,専用メモリモジュールを持たないVLAであるSimpleMemVLAを紹介する。 サンプルされた履歴をそのまま保持し、それをタイムスタンプされたビデオフォーマットでバックボーンに渡すと、バックボーンは処理のために事前訓練され、生成されたサブタスクの隠れ状態は、履歴から標準的なフローマッチングアクションヘッドへの唯一のチャネルを形成する。 連続的な決定が履歴の大部分を共有しているため、アクション実行中に共有プレフィックスをプリフィルすると、レイテンシは単一フレームのVLAに近くなる。 SimpleMemVLAは、汎用制御のコストなしで4つのメモリベンチマークに新しい最先端を設定できる。 バックボーンとトレーニングのセットアップを固定し、検索、圧縮、再帰状態のメカニズムを幅広いマージンで上回り、因果的介入により、ポリシーが真にその履歴を読み取ることを確認した。 https://github.com/wadeKeith/SimpleMemVLAで利用可能なコード

関連論文リスト

• Do Video Generators Track the World Across Segments? A Benchmark and Method for World-State Reasoning in Video Continuation [42.028585134913214]
  本稿では,過去の映像と新しいプロンプトの両方で決定された状態を反映した継続を生成するモデルについて述べる。 実験により,全ケース状態スコア(SCS-All)を45.2から69.3に引き上げることにより,制御された映像の連続性を改善するとともに,1分間のスケールでのストーリー生成にも有効であることがわかった。
  論文  参考訳（メタデータ） (2026-09-03T11:09:46Z)
• UniMem: Unifying Multimodal Memory and Control for Vision-Language-Action Models [8.70663346892131]
  我々は,高レベルのマルチモーダルメモリと低レベルの制御を1つのバックボーンの下に統一するフレームワークUniMemを提案する。 逐次記憶と空間記憶を対象とする5つのシミュレーションと4つのハードウェアタスクでUniMemを評価する。
  論文  参考訳（メタデータ） (2026-08-24T06:56:02Z)
• FM-VLA: Force-based Memory for Vision-Language-Action Models in Contact-Rich Manipulation [30.071471609769755]
  本稿では,力に基づくメモリを用いた視覚言語行動モデルFM-VLAを提案する。 我々は,強制時系列再構成で予め訓練された変分オートエンコーダを用いて,強制履歴をコンパクトな強制記憶トークンにエンコードする。 我々の軽量なフォースメモリは、最小の推論オーバーヘッドで80%以上の成功率を達成する。
  論文  参考訳（メタデータ） (2026-07-20T17:58:31Z)
• Dual Latent Memory in Vision-Language-Action Models for Robotic Manipulation [96.18832998704329]
  ラメムVLA(LaMem-VLA)は、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)という、ラメムVLA(LaMem-VLA)のフレームワークである。 LaMem-VLAは、メモリがVLA推論に直接参加し、コンテキスト境界下でアクション生成をガイドすることを可能にする。
  論文  参考訳（メタデータ） (2026-07-08T16:26:06Z)
• NativeMEM: Native Memory Compression for Long-Horizon Robotic Manipulation [22.20970271577043]
  我々は、長期およびリアルタイムに更新されたメモリを特徴付けるNativeMEMを提供する。 NativeMEMは、従来の手法を一貫して上回り、シミュレーションでは32.4%から84.0%に、実際のロボットでは98.7%に向上した。
  論文  参考訳（メタデータ） (2026-07-07T18:00:53Z)
• EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies [68.812675280427]
  EventVLAは、疎視的エビデンスメモリの概念に基づいて開発されたエンドツーエンドフレームワークである。 KEMは、VLAの潜伏した埋め込みから将来の確率を直接予測し、スパースでタスククリティカルな視覚イベントを自律的にキャプチャして保存する。 対話型視覚的エビデンスで非マルコフ操作タスクを評価するための診断ベンチマークであるRoboTwin-MeMを提案する。
  論文  参考訳（メタデータ） (2026-06-18T11:11:37Z)
• Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
  本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。 既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。 我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
  論文  参考訳（メタデータ） (2026-06-08T17:54:10Z)
• Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
  本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。 4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
  論文  参考訳（メタデータ） (2026-05-10T04:31:23Z)
• MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation [59.31354761628506]
  このようなタスクは本質的にマルコフ的ではないが、主流のVLAモデルはそれを見落としているため、ロボット操作には時間的コンテキストが不可欠である。 本稿では,長距離ロボット操作のためのコグニション・メモリ・アクション・フレームワークであるMemoryVLAを提案する。 本稿では,3つのロボットを対象とした150以上のシミュレーションと実世界のタスクについて評価する。
  論文  参考訳（メタデータ） (2025-08-26T17:57:16Z)
• RMem: Restricted Memory Banks Improve Video Object Segmentation [26.103189475763998]
  ビデオオブジェクトセグメンテーション(VOS)ベンチマークは、挑戦的なシナリオへと進化している。 我々は、メモリバンクのサイズを制限するという、単純だが見過ごされた戦略を再考する。 メモリバンクを限られた数の必須フレームに制限することにより、VOSの精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-06-12T17:59:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。