如果我们把机器人想象成一个已然出师的厨师，从出厂那天起，它就拥有从预训练阶段学来的扎实的基本功。现在顾客走进后厨，希望厨师做一道没做过的菜，还给它看了教学视频。
但机器人不一样，它面对的是比文本更复杂的物理世界，任意一次误判都有可能损坏抓取对象。想让机器人像大模型一样在部署时进化，行业内一直没有人做到。
这一步是机器人的出厂设置，团队借助成对采集的人类和机器人演示数据，通过Key-Value向量对自适应记忆，实现人类视觉线索与机器人行为的对齐。
通常一般的机器厨师会逐帧模仿学习，但WAM‑TTT不一样，它会先把顾客的要求写到一张便签上，然后调用自己已有的厨艺，再照着便签把菜做出来。
需要注意的是，在WAM-TTT整套流程中，WAM的主体权重全程保持冻结，不会随着学习过程更新，所有学习操作都只在前面提及的记忆模块中完成。
内部由视频专家和动作专家两部分组成，前者负责理解当前画面里发生了什么，后者负责生成对应的机器人动作。二者之间再通过联合注意力维系通信。
更麻烦的是，客户每换一个新的部署点位，都得重新采集训练数据、重新适配模型。整套流程下来又贵又慢，具身智能压根无法规模化落地。
不过这里的学习，学的不是具体动作，不是要机器人看一遍视频就学会一个新技能，WAM‑TTT重在让机器人消化理解当前任务。
WAM‑TTT无需重新预训练，也无需大量机器人轨迹数据和人类动作标注，就能让机器人在部署阶段快速适应新场景、新任务。
它会让机器人先利用人类示范视频充分了解场景信息，再把这些信息写入临时记忆，然后结合原先已有的动作能力完成任务。
要说这两年，大智能模型最重要的变化之一，就是越来越不依赖预训练一锤定音，部分能力开始留到模型推理时刻再兑现。
OpenAI o1如此，DeepSeek-R1也是如此。模型推理性能提升，靠的是在应用过程中的持续自我提升。
视频链接：https://mp.weixin.qq.com/s/Lwo6w_HjR3cYM7ZxbZahXQ
将Test-Time Training（TTT）范式从NLP和大语言模型，迁移至物理世界的机器人控制。
一个机器人在训练场里学会了搬箱子，精度、成功率都拉满。可一旦换个环境或者换批箱子，它就立刻摆手不会。
的TTT轻量化框架，低成本且泛化能力强，首次系统性破解了跨场景、高效、规模化部署这道行业难题。
（World-Action Model Test-Time Training）。
具体来看，相当于教会厨师怎么读懂顾客的便签，以后碰到新视频，就能自动理解付诸行动。
这张便签，就是WAM‑TTT的核心机制，一块独立的小型参数存储单元
全球首创！银河通用新框架仅需人类视频即可部署，Tesla蚌埠住了
同一项技能，预训练时精通，部署时失灵，这就是学术界常说的
要知道，现阶段整个具身智能行业内都受限于同一核心痛点。
（World Action Model，WAM）。
具体来说，WAM‑TTT的底座是一个预预训练好的
业内人士普遍认为，这一进展将对行业产生深远影响。
Meta-Training（离线元训练）阶段：
这样既能适应新环境，也能保证原先能力不丢失，
自此，具身智能得以开启属于自己的后训练时代。
Test-Time（线上测试时训练）阶段：
面向具身智能大模型的测试时后预训练框架
需要说明的是，WAM‑TTT要解决的就是这个问题。
fast-weight memory
量子位 | 公众号 QbitAI
听起来有些抽象，那我们不妨用一个
整理编辑：硅基前哨