42号电波
EN

Chelsea Finn：不必显式世界模型，端到端策略也能做长任务 ｜CoRL 2026

作者：大吉

世界模型端到端策略长程任务视觉语言动作模型具身智能记忆任务机器人训练数据

这张图片展现了CoRL 2026相关活动的现场场景，画面中的人物正在对着麦克风进行发言，身前放置着笔记本电脑，背景可见参会者的头部。图片左上角带有“CoRL·电波在现场”的标识，结合文档内容，这是11月12日上午在奥斯汀JW Marriott的Brazos房间举办的「机器人需要世界模型吗？」工作坊的现场记录，该工作坊正围绕机器人是否需要显式世界模型展开研讨，这张图直观呈现了本次工作坊的现场发言场景。

11 月 12 日上午，机器人学习会议（CoRL）在奥斯汀 JW Marriott 的 Brazos 房间举行半日工作坊「机器人需要世界模型吗？」（Do Robots Need World Models?）按照工作坊的官方说明，世界模型（world model）被看成一类预测系统，用来让机器人预判自己的动作会怎样改变环境。

争论在于：这种预测结构要不要被显式做出来，以便规划、做反事实推理，并服务于数据效率、安全性和泛化；还是可以被端到端策略（end-to-end policy）吸收进去，由策略把观察和目标直接映射成动作。

斯坦福大学计算机科学与电气工程助理教授、Physical Intelligence 联合创始人 Chelsea Finn 是当天第一场邀请报告，她被分在端到端、隐式策略这一侧。这是主办方分配的立场，不一定代表个人观点。她开场说，自己站在这张桌子的另一侧。工作坊列出的第一项动议，也正是：端到端策略可以内化机器人行为所需的预测结构，而不必试图显式建模世界。

Finn 开场说，尽管她自己有过偏显式模型的旧工作，但经验是：即使没有对世界的显式预测模型，机器人也已经能做相当复杂的事，包括对长上下文历史做推理、完成长时程任务，以及在需要推广行动后果的场景里工作。

她要问的是，怎样把机器人用到复杂情境里，以及是否真能在不显式建模世界的情况下，学到能处理这种复杂度的策略。

报告分三部分：处理长上下文，例如跟踪已经发生过的事；完成整段长时程工作，例如打扫厨房；在新情境里做推理，例如把已有任务用到另一台机器人上。

这是一张学术报告的投影幻灯片，顶部用英文标注核心议题：“How can we apply robots to complex situations?”，对应Chelsea Finn提出的核心研究问题。幻灯片横向排布三个带配图的板块，分别对应报告的三部分内容：第一块是处理长上下文，配图为机械臂操作物件的画面，标注示例为“跟踪已经发生过的事”；第二块是完成整段长时程任务，配图为厨房场景，标注示例为“打扫厨房”；第三块是在新情境中做推理，配图为不同平台的机械臂，标注示例为“将任务迁移应用到另一台机器人上”。幻灯片底部可见少量观众的头顶，表明这是正在进行的线下报告现场。

加了记忆，有时比没有更差

她先指出，很多很强的机器人基础模型其实没有记忆或上下文。对重复性的短时运动技能，这并不需要；可一旦要跟踪已经发生过的事，或处理时程很长的任务，对过去的记忆就变得关键。现有模型却还是常常没有记忆。她讲了两个困难。

这是一张学术分享现场的演示幻灯片实拍图，幻灯片的核心内容指向机器人基础模型的记忆与上下文特性：多数机器人基础模型原本没有记忆或上下文能力，这类特性对重复性的短运动技能而言并非必需。幻灯片用醒目的红色字体重点标注，记忆能力对于追溯过往事件、处理长时程任务而言至关重要，页面还搭配了多组机器人相关实验场景的配图来辅助说明相关论点，台下可见参会观众的头顶，还有人正用手机拍摄记录该演示内容。

一个困难是学习信号本身。给模型加大量记忆后，过去的观察和未来动作之间会出现虚假相关（spurious correlations）。上下文越长，送进模型的信息越多，输入和输出之间出现的相关也越多，模型就越难学到能够泛化的动作预测。她说，这个问题足够严重，有时加了记忆，表现反而比完全没有记忆更差。

另一个困难是计算，训练和推理都包括在内。训练和推理都不再只送进一两张图，而是希望送进几百张图，计算量会差几个数量级，上下文越大，这个问题越突出。推理还希望实时完成，训练同样更难。已有工作在应对这一点，例如只用少量步进帧（strided frames），对应 Torne、Tang、Liu 等人在 CoRL 2025 的 PTP；用关键帧（keyframes），对应 Sridhar、Pan 等人在 ICLR 2026 的 MemER；以及测试时适应（test-time adaptation），对应 Jiang 等人在 CoRL 2026 的 RoboTTT。

这些工作确实让策略开始能根据过去发生的事采取行动，但某种程度上是在回避计算负担。她认为，长远看机器人仍会需要相当好的上下文。第一部分要问的，就是能不能把视觉语言动作模型（VLA）的记忆扩展到几百帧量级，以及在这么多图像上能不能拿到可用的训练信号。

这是学术报告演示页面，标题为“Two key challenges”，首先列出两大核心挑战：一是过去观测与未来动作之间的虚假关联，其后果标注为“有时添加记忆反而表现更差”；二是训练与推理环节的高额计算需求，其后果为上下文规模增长后该问题会进一步加剧。页面下方对应展示三类相关已有解决方案的示意：分别是少量步进帧、关键帧、测试时适应，同时标注了对应研究的作者与发表会议信息，与前文提及的相关研究内容一一对应。

针对虚假相关、又难以从海量帧里学会的问题，他们发现很有用的做法，是在预测动作之外，再给模型加隐式监督信号（implicit supervision）：既预测当前正在做的是什么任务，也对记忆里正在发生的事做叙述（narration）。这种持续叙述能帮助模型学习特征，理解过去的帧和视频。

具体做法是以视觉语言模型为骨干，训练它接收较长视频。骨干是 Qwen3.5-4B（40 亿参数），上下文长度是 26.2 万个标记。模型有三路输出：一路是推理，也就是按时间叙述到目前为止发生了什么，例如「在第 2 秒，球被放到了中间那个杯子下面。在第 5 秒，中间和右边的杯子对调」；一路是子任务，例如「举起左边的杯子」；一路是动作标记。叙述这一路采用并行解码，一次前向计算即可。动作标记采用 OAT，分组为 1、1、2、4、8、16。

这是一张学术演讲的PPT页面，页面顶部以英文提出两个核心问题：“我们能否将视觉语言行动模型（VLA）的记忆扩展到数百帧？”“如何获取处理这么多图像的训练信号？”。页面核心给出对应解决方案：通过预测记忆中的子任务与叙述内容实现该目标，下方分三个带序号的核心模块展开：①推理模块对应并行解码的单次前向传递流程，示例了不同时间步的任务叙述；②子任务模块标注样例动作语义“抬起左侧杯子”；③动作令牌模块展示动作分组设置，最底层为采用262k令牌上下文的VLM主干网络，页面底部可见现场听众的头顶剪影。

计算上，他们尽量避免把已经处理过的过去反复算一遍。不必每次推理都把过去视频从头算起，可以缓存（cache）已有计算，把视频流式送进模型，从而不必反复重算过去帧的激活。叙述文本如果自回归生成会慢，他们就把叙述解码做成并行，测试时不必先生成叙述再预测动作。动作这一侧使用离散化动作，并把动作打组，以减少前向计算次数。

这是一张学术报告现场的投影屏幕实拍图，屏幕背景为浅淡的青蓝色，画面下方可见多名参会者的后脑勺轮廓。屏幕上的内容围绕VLA模型的相关研究问题展开，首先提出两大核心疑问：能否将VLA的记忆扩展至数百帧、在海量图像信号上完成训练；针对该问题给出的解决思路为预测子任务与记忆叙述。随后又提出推理与训练能否提速的问题，对应给出三项优化方案：以流式方式缓存并复用过往计算、对记忆叙述执行并行解码、将动作分组以减少前向计算次数，和文档中提及的计算优化策略完全对应。

合在一起后，他们在杯子交换这类记忆任务上做了测试，要跟踪物体在哪里。演示里的子任务是「拿中间那个」，模型要按时间记下杯子何时被盖上、哪两只杯子对调，最后才能拿对。她说这不是她最喜欢的任务，因为并不是机器人真正需要做的事，但作为检查很合适：不能只检索某一帧，必须对整段视频里发生的事做推理，才能做对。模型为此任务做了微调，并在训练时没见过的槽位或组合上表现出了泛化。她还强调，这是 1 倍速视频：尽管送进的记忆很长，推理速度并没有拖慢机器人运动，动作仍然比较平滑。

这张图片展示了CoRL 2026相关演讲的投影内容，核心探讨能否将视觉语言动作模型（VLAs）的记忆扩展至数百帧的问题，其中呈现的任务对应文档提及的视频推理任务。投影中显示了桌面操作的画面，包含任务的子任务标注为“pick middle”，并附有该任务的时间线：起始阶段已扩展，2秒时为covered状态，中间阶段呈现不同的左右交换动作，最终10秒时完成“pick middle”的操作；下方还排列了多帧采样画面，用于展示对应任务的视觉变化。

定量结果覆盖三项任务：杯子交换、抽屉，以及视觉提示。对照方法包括 π0.7、MemER，以及只预测子任务、预测子任务加叙述这两项消融。他们自己的方法是子任务、叙述，再加上潜在叙述（latent narration）。π0.7 的上下文长度不够做这些任务。

杯子交换里，训练所见的 5 种混合上，他们的方法成功率是 100%，未见过的 5 种混合上是 93.3%，未见过的 6 种混合上是 73.3%，都高于 π0.7、MemER 和两项消融。抽屉任务上，π0.7 和 MemER 的成功率很低，训练设置里分别是 6.7% 和 16.7%，他们的方法在训练和未见设置里都是 83.3%。视觉提示任务里，训练 3 个物体时，π0.7 是 70%，MemER 和「子任务加叙述」都是 100%；未见过的 5 个物体上，π0.7 是 20%，MemER 是 80%，「子任务加叙述」是 90%。

这是一张展示定量实验结果的柱状图页面，标题为“Quantitative results”，共包含三组子图，分别对应杯子交换、抽屉、视觉提示三项任务的不同测试场景。图中用不同颜色区分了5种对比方法，分别是PI07、Memer、子任务（消融）、子任务加叙述（消融），以及本研究提出的“子任务加叙述加潜在叙述”方法，各组柱状条上标注了对应的具体成功率数值。图底部标注补充说明：π₀.₇的上下文长度不足以支撑完成这类任务，直观呈现出本研究方法在各任务各测试场景下的成功率均优于其余对比方法的表现。

他们还定量看了上下文标记数量与延迟的关系，对比了 H100 和 B200 上从零计算与使用缓存的曲线。不缓存过去计算时，延迟曲线上升很快；加上缓存后明显改善。900 帧可在不到 0.5 秒内完成推理，对应 6.45 万个历史视觉标记。

这张标题为“Inference speed”的折线图，展示了不同算力设备下推理延迟的对比情况。图例包含四条曲线，分别为H100 scratch、H100 cached、B200 scratch、B200 cached。横坐标有两个维度，分别是自上而下图像数量和历史视觉标记数，纵坐标为模型延迟（毫秒）。图中显示，不使用缓存的scratch曲线随历史视觉标记数增加，延迟快速上升，而使用缓存的cached曲线延迟增长显著更缓，图中标注“caching”指向cached曲线，同时标注了“900 frames in <0.5 sec inference”，清晰体现出缓存对降低推理延迟的作用，与上下文提到

这一部分，她的结论是：在端到端训练里加上任务和叙述类预测，并好好处理计算，就可以在机器人策略里得到相当强的长上下文推理，而不必另建一套显式世界模型。

这是一张学术分享的演示屏幕画面，顶部以英文点明核心议题：“我们要如何将机器人应用于复杂场景中？”。画面通过三张配图分别展示三类机器人应用方向：处理长上下文（对应案例为追踪已发生的事件）、完成完整长程任务（对应案例为清洁厨房）、在新场景下开展推理（对应案例为将已掌握的任务迁移到不同机器人上），下方用粉色高亮的文字点明核心结论：带有子任务、叙述预测的端到端训练，可以为机器人策略带来强大的长上下文推理能力，无需额外搭建显式世界模型，契合本次分享的核心观点。画面下方还能看到现场听众的头顶轮廓，表明这是正在进行的学术报告现场。

把一间厨房打扫完

接下来她转向更长的记忆。前面这种偏密集的视觉记忆，对当前许多场景是合理的；但如果要覆盖数小时、数天，未必还想让记忆严格保持视觉，并保持那么密。中等时程的视觉记忆是密集、基于观察的；更长时程的记忆则更稀疏、更语义。

她举的例子包括：记住准备在店里买哪些东西，以及按食谱在厨房里做下去。于是想法是做一个多尺度记忆的模型：短到中等时程用视频记忆，并可沿用前一部分的思路；跨许多分钟的更长时程记忆，则用更压缩的文本来表示。这两种尺度的记忆，都放在端到端策略里使用。

这是一张CoRL学术演讲的演示幻灯片，核心主题围绕拓展机器人的长时具身记忆展开。幻灯片顶部以标题“Even longer memory?”引出两类记忆的对比：左侧是中程视觉记忆，标注为“基于稠密观测”，搭配多幅厨房日常操作的实拍小图；右侧是待探索的更长程记忆，标注为“稀疏语义型”，搭配超市场景、厨房全景的场景类图片，直观呈现两类记忆的表征差异，对应演讲中介绍的多尺度具身记忆的相关研究内容。

这套结构称作多尺度具身记忆（Multi-Scale Embodied Memory）。上层是视觉语言模型，里面放长期文本记忆，并循环更新记忆摘要；下层是视觉语言动作模型，使用短期视频记忆，再经动作模块输出机器人动作。

这张投影演示图对应介绍Chelsea Finn提出的多尺度记忆视觉语言动作模型方案的内容，顶部标注标题为“A VLA with multiscale memory”。图中上层模块为长期文本记忆区域，对应文档提及的上层视觉语言模型VLM，可生成记忆摘要；下层是短期视频记忆区域，对应文档里的下层视觉语言动作模型VLA，标注有子任务“Subtask”模块，最终连接动作专家模块，输出机器人动作，完整呈现了打扫厨房这类长任务的机器人处理逻辑框架。

文本记忆，她讲了两种做法。一种简单做法，是把到目前为止已完成或尝试过的子任务（subtask）语言直接送回模型，作为对过去的压缩表示。这种方法很简单，但常常会在训练和部署之间造成分布偏移（distribution shift）——尤其是做事方式、速度与数据里不一致时。比如实际做得更久，某些内容在输入里反复出现的次数就会远多于训练时。

他们发现更有效的做法是：根据上一次摘要、当前子任务，以及当前图像里看到的内容，把已经发生的事压缩、总结成新的摘要，再把摘要送进模型，不再送原始子任务列表。也就是说，模型被训练去更新这段文本记忆，并把它压成摘要。这有助于缓解分布偏移，表示也更压缩，更利于拉长时程。这一部分的预训练视觉语言模型是 SigLIP（4 亿参数）加 Gemma（40 亿参数）。

这张投影幻灯片的标题为“How to implement long-horizon language memory?”，对应前文介绍的长时程语言记忆实现方案。图中展示了基于SigLIP（4亿参数）与Gemma（40亿参数）预训练视觉语言模型的长程记忆架构：将初始语言记忆、当前图像输入与语言子任务作为输入，生成更新后的语言记忆，把已发生的任务过程压缩总结为新的摘要，不再传入原始子任务列表，以此缓解分布偏移，实现更压缩的长时程记忆表示。画面下方可见台下观众的头顶，表明这是学术报告的演示内容。

有了这种文本记忆，他们把机器人能做的任务长度扩到了这项工作里的约 15 分钟。任务是打扫厨房，以及准备食谱。她让大家看视频，画面下方可以看到机器人到目前为止做过什么。记忆之所以重要，是因为步骤很多。她描述的过程包括：用海绵擦台面，再用纸巾擦干，更新摘要，再把纸巾扔进垃圾桶，接着把东西放回冰箱，再往后会洗其中一个盘子、把已晾干的餐具收好。她说视频较长，现场来不及完整看完。

定量上，他们评估的是 π0.6-MEM，也就是这种视觉记忆与很长程记忆的混合，对照是没有记忆的 π0.6、朴素的文本加视频记忆、只用视频记忆，以及只用文本记忆。评估任务有两项：准备食谱，以及打扫厨房，指标是任务进度。主要结论是：对这类长任务，尤其是打扫厨房，π0.6-MEM 明显高于没有文本记忆、也比更朴素的文本记忆做法更好。她认为，这种可压缩的摘要还有进一步拉长任务时程的空间。

这张标题为《Quantitative Results》的柱状图，展示了五种不同策略在三类任务中的任务完成进度占比情况，其中粉色代表不带记忆机制的π₀.₆策略、绿色代表仅使用视频记忆的策略、深蓝色代表朴素文本加视频记忆的策略、浅蓝色代表仅使用文本记忆的策略、亮黄色代表π₀.₆-MEM策略。在清洁厨房这项长任务中，亮黄色的π₀.₆-MEM策略任务进度接近100%，表现大幅优于其余四种策略，也在最终的平均表现中占据明显优势，直观印证了对应研究中π₀.₆-MEM在长时具身任务上的性能优势。

这是一张学术报告的演示幻灯片，顶部以英文标注核心议题“How can we apply robots to complex situations?”，对应介绍机器人落地复杂场景的三类关键方向：第一类是处理长上下文，配图呈现机械臂操作画面，示例说明比如追踪任务过程中发生的事件；第二类是完成全流程长时序任务，配图展示厨房场景，对应文中打扫厨房的15分钟验证任务，作为这类长任务的典型示例；第三类是在新场景中做推理，配图呈现实验平台的机械臂，示例说明比如将已习得的任务迁移适配到不同的机器人上。

对照后来公开的工作，这一部分与 Physical Intelligence 在 2026 年 3 月发布的多尺度具身记忆（Multi-Scale Embodied Memory，MEM）相符：短时程用视频记忆，长时程用语言摘要，并把打扫厨房作为约 15 分钟的任务来验证。

新情境里的组合泛化

她认为，给机器人模型带来大量复杂性的另一件事，是对新情境、尤其是分布外（out-of-distribution）情境的泛化，特别是组合泛化（compositional generalization）。研究者往往很想把结构写进算法里，好让它更容易泛化。他们想看的则是，这种能力能不能主要从在多样数据上训练一个容量足够的模型里自己长出来。基本配方就是：足够大、足够多样的数据，再配上容量足够的模型。

数据方面，他们尽量用上能用的数据，包括多样的机器人演示数据——也包含低质量演示、机器人策略 rollout 数据、人类视频，以及网络数据。多样数据本身还不够。他们发现非常重要、且效果相当明显的一点，是用详细的上下文去提示（prompt）模型，即使数据质量较低，这种上下文也能帮助它预测动作。低质量演示也可以留在训练集里，但前提是给模型足够信息，让它知道这一次是在做什么、做得怎样、当前这一步具体是什么。

这张投影演示页的主题是“向新的分布外情境的组合泛化”，首先点明经过验证的泛化实现路径，包含两点核心要素：1.规模充足且多样化的数据集；2.具备足够容量的模型。随后用两条彩色箭头分别引出对应延展内容：粉色箭头指向的区块提出要充分利用全部可用数据，涵盖包含低质量演示在内的多样化机器人演示数据、机器人策略推演数据、人类行为视频以及网页数据；青色箭头指向的区块标注核心思路：用预测动作所需的详细上下文对模型进行提示，呼应文档中相关研究的核心结论。

他们用详细的多模态提示来训练 π0.7 视觉语言动作模型。预训练骨干是 SigLIP（4 亿参数）加 Gemma（40 亿参数），旁边的动作模块是 8 亿参数。输入包括：观察记忆；任务指令，例如「打扫厨房」；更细的子任务指令，例如「拿起刀」；子目标图像；以及关于该次执行的元数据，例如质量。测试时，子任务指令可以由人给，也可以由一个高层策略来预测，这个高层策略同样预训练自 SigLIP 加 Gemma。子目标图像由一个世界模型生成，预训练模型是 BAGEL（140 亿参数），输入是当前观察、子任务指令和元数据。

这是一张学术演示幻灯片，主题为“Detailed, Multimodal Prompting”，对应文档中介绍的多模态预训练机器人系统架构。幻灯片上半部分展示了核心的视觉-语言-动作模型，其输入包含观察记忆、“打扫厨房”类任务指令、“拿起刀”类子任务指令、子目标图像与元数据，最终输出对应动作。幻灯片下半部分分别标注了由SigLIP加Gemma预训练的高层策略模块，以及由140亿参数BAGEL预训练的世界模型模块，完整呈现了文档提及的各模块的参数、功能与数据流逻辑。

模型在多样数据上训练后，直接就能做一些相当复杂的任务，例如叠一件有纽扣的衬衫、拧入需要精度的螺丝，以及倒垃圾。他们还在分布外场景里测试。她认为最有意思的一个是：让一台从未采集过叠衣服或洗衣数据的双臂 UR5e 去叠衣服。叠衣数据是在一台固定式双臂机器人上采集的，那台有两只朝前的手臂，而且比较便宜。测试则放到双臂 UR5e 上，明显更大，构型也明显不同。尽管这是相当偏分布外的控制设定，模型仍表现出很强的组合泛化，能把在一台机器人上学到的技能推到另一台上。

这是一张学术会议演示幻灯片，对应研究关于模型在分布外情境下的组合泛化能力的验证内容。幻灯片顶部用英文提出两个核心研究问题：“模型在分布外情境下的表现如何？”“双UR5机械臂能否在没有对应叠衣数据的情况下完成叠衣任务？”。幻灯片下方展示两组实验实拍图，左图标注“遥操作：1倍速”，呈现配备双机械臂的操作台，台面上铺有待折叠的浅色织物；右图标注“自主运行：1倍速”，呈现同类型双机械臂自主操作蓝色织物完成折叠任务的场景，直观呈现了跨机器人迁移叠衣技能的实验设定。画面底部能看到台下参会者的头顶，说明该内容正处于公开报告环节。

定量上，评估分成叠毛巾和叠衬衫，对照是 π0.5、π0.6、π0.7，以及 π0.7（GC）。π0.5 在两项上的任务进度都接近 0；π0.7 高于 π0.6；π0.7（GC）最高。叠衬衫一项还标出了人类表现的参照线，π0.7（GC）已经接近这条线。尽管没有该机器人上的专用叠衣数据，表现已经接近人类遥操作（teleoperation）。

这是一张学术报告的演示幻灯片，核心围绕模型在分布外场景下的性能表现展开，幻灯片顶部用英文标注了两个核心问题：模型在分布外情境中的表现如何？双机械臂UR5e能否在没有对应叠衣训练数据的前提下完成叠衣任务？左侧展示了从静态双手机器人迁移到双UR5e机械臂的示意图，右侧的柱状图呈现毛巾折叠、衬衫折叠两类任务的完成进度，用不同色块标识四类配置的性能表现，最右侧虚线标注出人类的任务完成基准，直观呈现无叠衣训练数据的UR5e双机械臂的叠衣任务进度表现。

对照后来公开的工作，这一部分与 Physical Intelligence 在 2026 年 4 月发布的 π0.7 相符：用详细上下文、子任务指令、执行元数据和子目标图像等来训练，并在没有对应叠衣数据的机器人上评估叠衣服。

报告结束后，有人问到：对于跨越更长时程的任务，是否应该通过某种机制去压缩记忆？比方说，今天把盘子放在某个架子上，第二天还要能知道盘子在那个架子上。这个问题正好接到她前面把记忆分成较密的视觉和压缩文本的做法上。

Finn 的回答是：很多场景，尤其是日常、跨天的事情，确实应该压缩记忆。可另一方面，如果有能力把相当密的上下文直接送进去，会非常方便，因为人们常常并不确切知道自己想用什么样的记忆表示。一旦做压缩，往往需要人先决定压缩成什么、怎么压。如果直接把视频再加一些额外监督送进去，模型在如何使用这些信息上会更灵活。监督并没有让人完全摆脱表示和压缩的问题，但能让模型用上所有可用信息，而不只是事先被选定的那一部分。

她最后收成一个判断：只要数据、监督和上下文用对，这类端到端模型可以处理很复杂的情况，包括需要长上下文、需要把一整项长工作做完，以及在新情境里推理；并不需要把世界模型显式做进方法里的机制，也不需要专门去建一个世界模型或物理模型。更简单的配方，往往也更容易扩展到多样数据和复杂情境。她还提到，这些模型已开始进入真实用例，例如物流。

这是Chelsea Finn相关分享的演示幻灯片，顶部以英文点明核心议题“我们如何将机器人应用到复杂场景中？”。幻灯片横向设置三块配图区域，分别对应三类机器人应用能力：第一类为处理长上下文，示例为追踪已发生的事件，配图展示机械臂操作物件的画面；第二类为完成全时程任务，示例为清洁厨房，配图呈现厨房内的相关作业场景；第三类为在新情境中推理，示例为将任务迁移适配到不同机器人上，配图展示机械臂操作布料的画面。幻灯片底部以总结要点呼应分享核心结论，明确只要数据、监督与上下文使用得当，模型即可在复杂场景中完成推理，无需显式构建世界模型的相关机制，这类更简洁的方案往往具备更出色的拓展性。

可她同时把更长的时程留给了尚未做完的事。数小时、数天的记忆，她认为不必再保持那么密、那么视觉；跨天记住盘子在哪个架子上，她也认为应该压缩。压缩又往往要人先决定压成什么。真正还需要核验的，是这条不靠显式世界模型的配方，在比厨房打扫更长的工作上、在真正没见过的机器人上，还能不能把该记住的事实记住，并把技能稳定推过去——而不把记忆表示先规定死，也不把显式预测模型再请回来。