Problem

目前的機器人基礎模型通常僅能處理單一步驟或極短時間內的視覺運動背景，限制了其處理複雜長程任務、抵抗外部干擾以及從人類影片示範中快速學習的能力，導致在需要跨多階段協作的任務中表現不佳。

Method

研究團隊開發了 RoboTTT 訓練架構，將「測試時訓練」（Test-Time Training）整合進視覺語言動作（VLA）模型中。該方法將歷史資訊壓縮進模型的權重空間，並在推理階段透過梯度下降動態更新這些「快速權重」。為了處理高達 8,000 個時步的長背景，技術上結合了序列動作強制與截斷式隨時間反向傳播（Truncated BPTT）進行大規模訓練。

Results

在實際機器人操作測試中，RoboTTT 的整體表現較單步背景模型提升了 87%，並成功完成無任何基準模型能達成的「五分鐘、十階段」複雜組裝任務。實驗數據證實，將背景長度從 1K 擴展至 8K 時，閉環控制效能顯著提升了 62%，顯示長背景長度對於效能增長具有關鍵作用。

Significance

此研究確立了「背景長度」是機器人基礎模型效能擴充（Scaling）的新軸線。RoboTTT 賦予機器人單次即時學習人類示範、即時政策優化及強大的抗干擾魯棒性，為解決長程自動化任務提供了全新的技術範式。