我们实现了机器人模型的原生扩展，使其能处理长达8000个时间步的上下文信息——相当于5分钟的动作记忆，且推理成本保持恒定。过去的机器人策略只能处理瞬间片段（<0.1秒），随即遗忘刚刚发生的一切。如今我们将这一能力提升了三个数量级。 隆重介绍RoboTTT。其核心在于测试时训练机制——在模型内部嵌入一个微型模型。每个新传入的传感器读数都会触发这个核心模块的梯度更新，从而将历史信息持续压缩存储于其权重中。由于隐藏状态具有固定尺寸（本质上是个小型神经网络），机器人终于能真正“记住”了。
—— Jim Fan (@DrJimFan) X帖子｜2026-07-15T15:25:02+00:00
原帖：https://x.com/DrJimFan/status/2077414142340988962
Jim Fan：我们实现了机器人模型的原生扩展，使其能处理长达8000个时间…
我们实现了机器人模型的原生扩展，使其能处理长达8000个时间步的上下文信息——相当于5分钟的动作记忆，且推理成本保持恒定。过去的机器人策略只能处理瞬间片段（<0.1秒），随即遗忘刚刚发生的一切。如今我们将这一能力提升了三个数量级。 隆重介绍
扫描二维码，在手机上阅读
