点击下方卡片，关注“具身智能之心”公众号
最近，Generalist AI 发布的机器人大模型 GEN-1.5 展示了一个值得关注的结果：给机器人看一段几秒到十几秒的示范——可以是人手现场演示，也可以是另一台机器人此前的执行记录——它在不做任何额外训练、不更新任何参数的情况下，就能去执行一个此前从未见过的新任务。
官方公布的演示视频里，机器人在看完一段陌生任务的示范后当场上手，成功率不算完美，但确实体现出"看一次就能执行"的能力。
GEN-1.5 把这段示范称为 physical prompt（物理提示）：一段感觉运动序列（传感器数据加动作轨迹），被直接放进模型的输入窗口，和机器人当前正在看到的画面拼在一起。模型读完这段提示后，直接执行，中间没有梯度更新。
这类能力并不是第一次出现。五年前，GPT-3 已经在语言上展示过类似的效果：给模型几个"英文译法文"的例子，不需要重新训练，它就能把第四个单词也翻译对。这种能力被称为 In-Context Learning（上下文学习，简称 ICL）——模型没有被专门训练成某个任务的执行器，权重没有变化，但它从输入里给出的几个例子中"读出"了任务规律，并把这个规律应用到了新的输入上。
把这个概念从语言搬到机器人控制上并不是简单的类比替换。语言模型处理的是离散的文本 token，机器人处理的是连续的图像、力和动作，而且今年围绕"上下文"做文章的机器人工作也不止 GEN-1.5 一个：Physical Intelligence 的 π0.7 把语言指令、目标图像、episode metadata 和历史轨迹一起塞进同一个上下文；RoboTTT 把机器人策略能处理的视觉运动历史推到了 8000 步。"上下文"在机器人领域重新变成了一个高频词。
但把这些工作统一称为"机器人 ICL"会掩盖一个问题：它们往上下文里装的东西并不是一类。有的装任务示范，有的装人的运动意图，有的装策略的执行风格，还有的装机器人自己的探索轨迹。共用一个名词，并不意味着它们在解决同一个问题。这篇文章尝试把这个笼统的说法拆开，看清楚不同工作各自往上下文里放了什么，又分别解决了什么。
01.
为什么机器人需要上下文
当前的VLA都可以写成同一个函数 ：给定当前这一帧的图像观测 ，加上一句语言指令，输出下一步的动作。
这个形式简洁，但隐含了一个较强的假设：当前这一帧里已经包含了做出下一步决策所需要的全部信息，不必依赖历史观测。这在统计学习里被称为 马尔可夫假设（Markov assumption）：给定当前状态，未来与更早的历史条件独立。
同样的假设，早期的统计语言模型也做过。按链式法则，一个句子里每个词出现的概率本该取决于它前面所有的词，但这样条件太多、无法估计，于是研究者退了一步，假设每个词只依赖前面一两个词，这就是 n-gram 模型。这个近似最终败在两件事上：
一是长距离依赖。"小明昨天买了一本书，他今天把 [MASK] 读完了"——需要填入的是"它"，指代十几个字之外的"书"，而离得最近的名词是"他"。只看前两个词的模型，注定填错。
二是数据稀疏。假设词表有10⁴ 个词，两词组合有 10⁸ 种，三词组合有 10¹² 种，真实语料再大，绝大多数组合的计数都是零。上下文每变长一点，稀疏程度就恶化一个数量级，除非模型不再依赖计数估计，而是学会泛化。
机器人现在处在类似的位置。在训练分布之内，马尔可夫假设工作得相当好：相机固定、机械臂固定、桌面高度固定、任务类别有限，模型只需要学一个从观测到动作的映射。但真实部署会遇到几类它处理不了的变化：
同一状态可以有不同的动作候选，只看当前这一帧看不出任务已经进行到哪一步；
相机换了位置，画面里的像素运动和机器人坐标之间的关系变了；
换了机械臂或末端执行器，同样的动作指令有了不同的运动学含义；
出现了训练集里没有出现过的新物体、新场景组合。
这些情况有一个共同点：当前观测不足以决定动作，而缺失的那部分信息，可以从别的地方获得。于是策略多了一项输入——上下文，记作 C 。它可以是一条示范轨迹、一段人类视频、一张目标图像、机器人自己的一段探索，或者当前 episode 到目前为止的执行历史。剩下的问题是：C 里应该装什么。
02.
上下文消解的是哪一种不确定性
在讨论机器人往上下文里放了什么之前，可以先回到语言模型的那个例子来理解In-Context Learning：
Translate English to French:
sea otter => loutre de mer
peppermint => menthe poivrée
plush girafe => girafe peluche
cheese =>模型补出 fromage。模型没有被训练成一个英法翻译器，权重一个字节都没有改变。它是从前面几个例子里看出了任务在做什么，然后照着做了第四个。
"in-context" 是因为这个获得过程发生在上下文窗口内，而没有更新模型参数；"learning" 是因为模型获得了一个此前没有的映射，并且这个映射对没见过的输入同样有效。
机器人上的对应几乎是一一的：语言指令是规格，示范轨迹是样例——一串（观测，动作）配对，模型自己看出这个任务是怎么回事，然后在新场景里执行一遍。参数同样不动。
机器人的上下文窗口装的东西越来越多，但它们消解的不是同一种不确定性。大致有三类：
一、该用哪个映射：语言指令、目标图像、本体信息这类 metadata。它们说明目标是什么，但完成这个目标的映射本来就在权重里，指令做的是从中挑一个出来。
二、当前状态是什么：过去若干帧的执行历史。杯子刚才被放在左边抽屉，这个五步任务已经做完三步。映射不变，变的是代入映射的那个状态。
三、映射本身是什么：示范轨迹、人类视频。模型此前不知道这件事该怎么做，读完上下文之后知道了。
只有第三类是学习，它消解的是对映射本身的不确定性。前两类同样有用、也同样依赖上下文，但模型读完之后，它把观测转成动作的那个函数并没有改变。
用一张表总结三者的区别：
03.
从机器人示范中学：遥操作轨迹作为上下文
上下文最直接的来源是机器人自身的示范轨迹，通常由人类遥操作采集。观测和动作都记录在机器人自己的坐标系下，不需要跨越任何表示上的鸿沟。
要让策略从这样一段轨迹里恢复出任务映射，几个条件需要同时成立：模型本身具备从配对中归纳的能力，示范以模型能读的形式进入上下文，训练阶段有足够的"示范—查询"配对可用。
3.1 归纳能力来自训练目标
模型从示范里反解出任务映射的能力不会自动出现，它由训练目标塑造，早期工作已经在验证这一观点。One-Shot Imitation Learning [1,2] 在训练时构造大量不同的任务，每个任务配一条示范和一次执行，优化目标是读完示范之后的执行表现。示范在这里是任务条件而非历史帧，模型被反复要求从一条轨迹推出任务规则，再应用到新的物体或场景。
One-Shot Imitation Learning 的示范与执行设定
3.2 示范以什么形式进入上下文
一条遥操作轨迹是图像、本体状态和连续动作的混合序列，它以什么形式进入模型，决定了归纳的难度。
ICRT [3] 采用最直接的形式：把图像、本体状态和动作全部 token 化，拼成一条序列，用因果 Transformer 做 next-token prediction。测试时把一两条遥操作轨迹放在序列前部，后面接当前观测，模型继续续写动作，参数不变。论文在 Franka 机械臂上验证了未见任务下的适应能力。这一设定说明，从示范中恢复任务映射不需要为机器人设计专门的机制，序列建模本身可以承担。
ICRT 的序列组织方式：
图像 / 状态 / 动作交错成一条 token 序列
Instant Policy [4] 换用图结构：示范、当前观测和待生成的动作被组织成图中的节点，动作通过在图上做diffusion生成。图结构显式编码了示范与当前场景之间的对应关系，而序列形式需要模型自己在 token 层面建立这种对应。
Instant Policy 的图结构：
示范节点、当前观测节点与待生成动作节点
Keypoint Action Tokens（KAT） [5] 把视觉观测转成关键点 token，动作轨迹转成 action token，然后用预训练的文本 Transformer 直接做 few-shot 模仿。关键点这一层降低了像素和连续动作的维度，剩下的部分接近文本 Transformer 已经具备的模式匹配能力。
动作侧的 token 化本身也影响结果。Action Tokenizer Matters [6] 比较了多种 action tokenizer，发现能够重建轨迹的方案未必保持时间上的平滑性——量化之后，相邻动作在 latent 空间中可能相距很远。该工作提出的 LipVQ-VAE 在 latent action space 上施加 Lipschitz 约束（用于保证相邻动作在压缩后的空间里依然相邻）。当 action token 在几何空间中不连续时，模型从示范中获得的局部对应关系无法转化为平滑的控制输出。
不同 action tokenizer 下轨迹平滑性的对比
Behavior Prompting Policy（BPP） [7] 和ICRT同样把示范压缩编码成embedding，区别在于不再由一个因果 Transformer 统一续写，而以当前观测为 query 对示范 embedding 做 cross-attention，取出的结果交给 action decoder 解码动作。它同时配套了UMI手持采集设备，示范的来源从实验室遥操作台扩展到部署现场。
不同 action tokenizer 下轨迹平滑性的对比
StellaVLA [8] 把原始轨迹转换为任务计划、子目标描述和三维运动信息，以结构化形式进入上下文。示范承载的内容因此从"专家做了什么"转向"这个任务由哪些步骤构成"。
不同 action tokenizer 下轨迹平滑性的对比
3.3 训练所需的配对从哪里来
前述训练目标要求大量"示范—查询"配对，而真实机器人数据中这种配对并不天然存在：一次采集得到一条轨迹，不会自动构成配对。除了专门去采集配对数据，还有两种思路：
一是从已有示范里重组。同一个任务只要有多条示范，取一条作 prompt、其余作查询，配对就地产生（ICRT、BPP 采用此方式）。
二是生成。One-Shot Imitation Learning 在仿真中程序化生成任务实例，把任务分布本身造出来；Instant Policy 在仿真中生成伪示范，把配对数量提升到可训练的规模；SynthICL [9] 进一步完全使用合成 RGB 数据训练 ICIL 策略。
3.4 给已有模型加装这一能力
ICL能力也可以加在pretrained VLA上。RICL [10] 以训练好的 π0-FAST 为基础，做一次小规模的 in-context post-training，再从用户提供的十几到二十条新任务示范中检索片段放入上下文，测试时参数不更新。这条路径的成本低于从头训练一个 ICL 专用策略。
RICL 的 in-context post-training 与检索结构
04.
人类视频作为 in-context demo
遥操作示范贵在两头：要有机器人，要有会用它的人。人类视频便宜得多——一个人、一部相机就够了，而且互联网上已经存在海量存量。
代价也很明确：视频里没有动作标签。能看见手怎么动，但看不见关节角，看不见夹爪合拢的力度。更麻烦的是，人的身体和机器人的身体不一样——模型要归纳的那个映射，中间隔着一道embodiment gap。跨越的方式大致有三种。
4.1 Vid2Robot：直接对齐两侧表示
Vid2Robot [11] 输入人类操作视频和机器人当前状态，通过 cross-attention 输出动作。训练时用视频—轨迹配对，另外加一个对比损失，把人类视频和机器人视频的表示更靠近。
Vid2Robot 的 cross-attention 结构与对比对齐损失
论文报告了跨物体的运动迁移：视频中针对某一物体的操作，机器人可以应用到自身环境里的另一个物体上。迁移能够发生，说明对齐后的表示携带的不只是像素层面的相似性。
4.2 MimicDroid：不依赖配对数据
MimicDroid [12] 只使用连续的、无标注的人类操作视频。它从视频中找出操作行为相似的轨迹对，训练模型看一条、预测另一条。人类视频因此同时充当上下文和监督信号，训练过程不需要任何机器人数据来配对。
为缩小外观和运动学上的差距，该方法使用手腕姿态 retargeting（把人的动作数值映射为机器人坐标系下的等价动作）和随机 patch masking（随机遮挡画面局部区域），后者降低模型对外观细节的依赖。
MimicDroid 的方法总览
4.3 Point Policy：换一个双方都能读的表示
Point Policy [13] 绕开原始像素，用人手姿态和物体状态构造语义关键点，把人的操作提升为与身体形态无关的表示。人和机器人在原始图像中差异很大，在关键点空间中则接近，映射因此更容易归纳。论文在 8 个真实任务上验证了这种表示对新物体和背景干扰的鲁棒性。
Point Policy 将人手和物体状态转换为
双方都能读取的关键点表示
05.
任务无关的随机运动，也是一段合格的示范
相机往旁边挪了二十厘米。任务没变，示范没变，模型看到的画面依然合理，但输出动作落在了错误的位置上。
这时候机器人缺的不是任务信息，而是：在当前这套相机和这副身体下，发出一个动作指令，画面会怎么变。这是一个 系统辨识（system identification） 问题，不是任务推断问题。前面那些工作，无论是遥操作示范还是人类视频，都默认系统配置是固定的——它们假设机器人已经知道自己的动作如何对应到视觉变化，示范只需要告诉它该往哪儿去。
5.1 ICWM：任务执行前的自我探索
In-Context World Modeling for Robotic Control（ICWM） [14] 的设定是：在开始任务之前，让机器人随机运动几秒。不是演示任务，也不是靠近目标物体，就是随机运动。记录下每次动作前后的画面和动作本身，把这些 三元组拼成上下文，放进策略的输入。
ICWM 将任务执行前的自探索片段作为 in-context 交互证据
这些片段是任务无关的（task-agnostic）prompt，它们不告诉模型该把物体放到哪儿，而是说明在当前这套系统里，某个动作会让画面发生什么变化。读完这些三元组之后，模型把观测转成动作的方式发生了改变，改变的是映射本身，而不是对已有映射的选择，也不是对当前状态的估计。这仍然是 in-context learning，只是被归纳出来的映射换了对象：不是任务，而是系统本身。
任务无关这一点进一步降低了上下文的采集成本：不需要人在场，不需要标注，不绑定具体任务，同一段探索对这个工位上的所有任务都有效；相机被碰到、夹爪更换、工作台移动之后，重跑几秒即可重新校准。
06.
当上下文进入预训练规模
6.1 Qwen-RobotManip：
从执行历史中归纳行为风格
跨本体预训练带来的泛化能力，并不能解决部署到新机器人或新环境时的快速行为适配。Qwen-RobotManip [15] 为此加入了一套 in-context policy adaptation 机制：把同一轨迹内近期的 三元组——看到了什么、处于什么状态、执行了哪 步动作——串成上下文，条件化当前的动作预测，部署时不更新参数，也不做任务特定的微调。
Qwen-RobotManip 的整体结构：
canonical 表示、动作专家与历史上下文
论文还报告了训练中出现的一个问题：如果训练时总是提供紧邻当前步的 H 个 chunk，模型会走一条捷径——最后一个 chunk 在时间上离当前步最近，直接复制它的动作块就足以把训练损失压下去。上下文机制因此退化成一个基于时序邻近的复制启发式，一旦近期历史含糊、反常，或者不能代表机器人整体的执行方式，它就会失效。
提出的解法是 stochastic context sampling：训练时上下文窗口不再紧邻当前步，而是从 episode 中的随机位置采样。采到的 chunk 可能在时间上距离当前步很远，模型无法再依赖时序邻近性，只能去提取贯穿整个 episode 的行为风格。部署时则供给最近 H 个 chunk 的滚动窗口。论文报告，去掉这一项之后，策略的训练损失很低，任务成功率却很差。
6.2 GEN-1.5：
没有被专门训练出来的 one-shot 能力
回到开头提到的 GEN-1.5 [16]。它的 physical prompt 是一段感觉运动序列——传感器数据加动作轨迹——可以来自手持夹爪采集的人类数据，也可以来自机器人自己的 rollout。这段 prompt 被放进 30 秒上下文窗口，其余部分留给滚动的当前观测。prompt 进入上下文之后，模型直接执行，不做任何训练步。
在 10 个任务上，one-shot in-context 的平均成功率为 59%（标准差 10%）；用每个任务 5 分钟数据（约 50 条演示）做 10 步梯度更新，成功率升至 83%（标准差 9%）。部分任务上，in-context 的表现超过在同样数据上做 1 到 5 步梯度更新。官方同时说明，测试任务是短时程的原子操作，成功率不高，in-context 学到的技能比微调后的模型更脆弱，但能应对一部分扰动，并从失误中恢复。
与前面几节的工作相比，这一能力的不同之处在于它的来源。之前的 ICL 方法把"读完示范之后的表现"直接写进训练目标；GEN-1.5 没有做这类设计——没有为 in-context learning 修改架构，没有鼓励快速适应的辅助目标。预训练使用的是从数据引擎中随机采样的连续片段，没有为"把样例打包进上下文"做过专门处理，而 physical prompt 会在时间上引入训练时从未出现过的跳变。这一能力是在持续八个月的预训练过程中出现的。
官方给出的解释是假设性的：物理观测与动作的分布可能具有与语言中类似的 burstiness（突发性，指某些模式在数据中成群出现）和 Zipfian 结构（一种符合幂律分布的频率特征），而这类结构此前被认为与语言模型的 in-context learning 相关；另一种可能是物理劳动本身包含重复的循环，模型学会了检测并延续这类模式。
围绕 physical prompt 还有几个衍生结果：
组合。两段独立录制、彼此之间没有过渡的不同任务 prompt 同时放入上下文，模型会把它们串成一段连续行为，并自行补出两段演示中都不存在的中间动作——重新定位、重新抓取、错误恢复。
跨仿真。prompt 完全由仿真中的 rollout 构成（脚本策略、RL agent，或人在仿真中遥操作），真实机器人据此完成任务，而预训练数据中不含任何仿真数据。
跨本体。人用自己的手在机器人相机视野内演示，机器人随后用自己的手复现。
少步适应。1 到 10 步梯度更新、1 到 5 分钟数据即可适应新任务；10 步之后，权重在留出任务上的变化小于 0.15%。单步、一分钟数据的设定下，留出任务成功率为 66.5%。
07.
上下文窗口的另外两种玩法
另外两类不确定性同样依赖上下文，也同样有用，但并没有学习。
7.1 选择：该用哪个映射
π0.7 [17] 是这一类比较代表的工作。它把语言指令、下一个语义子任务、速度和质量等 episode metadata、多视角subgoal image一起放进 prompt，构成一个相当完整的策略控制接口。同一个任务可以有不同的速度和抓取方式，metadata 告诉模型这次该选哪一种；subgoal image 则描述几秒之后场景应该长成什么样。
π0.7 将语言、episode metadata
和目标图像等多种信息组合进上下文
这些输入描述的是目标和风格。完成这些行为的映射已经存在于权重中，metadata 的作用是从中选出一个，模型的输入-输出函数并未改变。
7.2 状态：当前帧看不到的那部分
第二类是 memory。MemoryVLA [18] 区分短期工作记忆和长期情景记忆，MemER [19] 让高层策略检索相关关键帧再生成语言指令交给低层执行，ContextVLA [20] 把多帧历史压缩成一个 context token。MEM [21] 将用于密集短时视觉记忆的视频编码器，与策略自己不断改写的语言记忆结合起来，支持长达 15 分钟的任务。HiMe [22] 按时间尺度把记忆分给三个模型：快速执行器 Executor、监控子任务完成的 Sentry，以及具备情景记忆管理的慢速 Planner。
MEM 为 VLA 提供长时程视觉与语言记忆
这些工作解决的是同一个任务内部的部分可观测：刚才把杯子放在哪了、这个多阶段任务已经做到第几步了。同一个任务、同一套系统，只是当前这一帧信息不够。
执行历史写出来是 ，形式上与一条示范轨迹相同。区别在于读完之后什么发生了改变：读完一条示范，模型把观测转成动作的方式会变；读完过去若干帧历史，这个方式不变，改变的是代入其中的状态。
这条线上真正的技术难点不在"读上下文"，而在选择和压缩——更长的历史不一定更好，长序列里的伪相关会让策略学到错误的依赖。Big Picture Policies [23] 先用 VLM 挑出最少的关键帧，Gated Memory Policy [24] 显式学习何时读取、读取什么，都是在解决这个问题。
7.3 一条正交的路径：test-time training
同样一段部署时的证据，可以留在上下文窗口中，也可以通过梯度写进权重。后者是 test-time training（测试时训练）：RoboTTT [25] 把 8000 步的视觉运动历史压进 fast weights（一种可在推理时快速更新的临时权重），VANE [26] 把候选更新与在线策略隔离，只有当后续视觉结果支持该次更新时才提交。这条路径改变的是模型参数而不是上下文。它与 ICL 的目标高度重叠，代价不同：需要梯度，难以回退，对在线安全性提出额外要求。
08.
还没解决的问题
1. 机器人的In-Context Learning
是怎么涌现的？
语言模型的 ICL 不是被专门训练出来的能力，它出现在以 next-token prediction 为唯一目标的预训练之后。机器人这边基本相反：前面提到的大部分工作都在显式地训练这个能力——把"读完示范之后的执行表现"写进训练目标，用后训练把 ICL 装进已有的 VLA，或者专门构造大量示范—查询配对。
GEN-1.5 是目前唯一报告该能力自发出现的例子，但对于其具体的涌现机制还缺乏研究。什么样的数据分布会让这种能力出现？它与数据量和模型规模之间是否存在可预测的关系？显式训练出来的 ICL 和涌现出来的 ICL，在泛化行为上是否存在系统性差异？
2. demo 最终会是什么形态？
同一段示范，现有工作给出的形式差别很大：交错的 token 序列、图节点、关键点、压缩后的 chunk embedding、任务计划与子目标描述、语义关键点、任务无关的交互三元组、原始的感觉运动序列。每一种都在某个设定下有效，彼此之间缺少直接比较。
背后是一个尚未解决的取舍：抽象程度高的表示（关键点、结构化计划）降低了归纳难度，但丢弃的信息可能正是接触、力和材质这些难以符号化的部分；抽象程度低的表示（原始感觉运动序列）保留了全部信息，代价是模型需要自己建立示范与当前场景之间的对应。未来的技术路线会收敛到什么形态尚不明确。
3. 我们如何 scaling context？
VLA 需要以较高频率输出动作，上下文每变长一点，每一步决策的推理开销都会增加。这与语言模型的长上下文问题不同：那里的代价是延迟，这里的代价是控制回路本身可能跟不上。哪些信息必须逐帧保留、哪些可以压缩成一个 token、哪些可以丢弃，如何解决机器人领域的 long-context scaling 问题，仍是一个开放问题。
09.
结语
机器人 ICL 正在脱离"把 GPT 的 prompt 类比直接搬过来"的阶段。它真正改变的是策略的输入对象：机器人不再只看当前图像和一句指令，它可以读示范、读视频、读目标状态、读自己刚才的探索结果，并据此判断眼前这个场景里，哪些是任务信息、哪些是系统信息、哪些只是噪声。
所以最值得关心的问题不是"上下文有多少 token"，而是：上下文里，有没有装上当前策略缺失、但完成任务所必需的那部分信息。有时候这部分信息是一条任务示范；有时候是一段人类视频；而当相机和本体发生变化时，它可能只是机器人自己随便动的那几秒。
速查表
参考文献
1. One-Shot Imitation Learning，NeurIPS 2017
2. One-Shot Imitation from Observing Humans via Domain-Adaptive Meta-Learning，arXiv 2018
3. ICRT: In-Context Imitation Learning via Next-Token Prediction，ICRA 2025
4. Instant Policy: In-Context Imitation Learning via Graph Diffusion，ICLR 2025
5. Keypoint Action Tokens Enable In-Context Imitation Learning in Robotics，RSS 2024
6. Action Tokenizer Matters in In-Context Imitation Learning，IROS 2025
7. Behavior Prompting Policy: Demonstrations as Prompts for Manipulation，arXiv 2026
8. StellaVLA: In-Context Structured Demonstration for Generalizable Vision-Language-Action Models，arXiv 2026
9. SynthICL: Scalable In-context Imitation Learning with Synthetic Data，arXiv 2026
10. RICL: Adding In-Context Adaptability to Pre-Trained Vision-Language-Action Models，CoRL 2025
11. Vid2Robot: End-to-end Video-conditioned Policy Learning with Cross-Attention Transformers，RSS 2024
12. MimicDroid: In-Context Learning for Humanoid Robot Manipulation from Human Play Videos，ICRA 2026
13. Point Policy: Unifying Observations and Actions with Key Points for Robot Manipulation，arXiv 2025
14. In-Context World Modeling for Robotic Control，arXiv 2026
15. Qwen-RobotManip Technical Report: Alignment Unlocks Scale for Robotic Manipulation Foundation Models，arXiv 2026
16. GEN-1.5: Embodied Foundation Models are One-Shot Learners，Generalist AI 2026
17. π0.7: A Steerable Generalist Robotic Foundation Model with Emergent Capabilities，Physical Intelligence 2026
18. MemoryVLA: Perceptual-Cognitive Memory in Vision-Language-Action Models for Robotic Manipulation，ICLR 2026
19. MemER: Scaling Up Memory for Robot Control via Experience Retrieval，ICLR 2026
20. ContextVLA: Vision-Language-Action Model with Amortized Multi-Frame Context，arXiv 2025
21. MEM: Multi-Scale Embodied Memory for Vision Language Action Models，arXiv 2026
22. HiMe: Hierarchical Embodied Memory for Long-Horizon Vision-Language-Action Control，ICML 2026
23. BPP: Long-Context Robot Imitation Learning by Focusing on Key History Frames, arXiv 2026
24. Gated Memory Policy: In-Context Memorization and Adaptation，arXiv 2026
25. RoboTTT: Context Scaling for Robot Policies，arXiv 2026
26. VANE: Reliable Test-Time Training for Vision-Language-Action Models via Future Visual Representation Prediction，arXiv 2026
