以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Recent advances in Vision-Language-Action (VLA) models have enabled fine manipulation capabilities, yet performing tasks that require working memory remains a key challenge. Most existing VLA architectures operate under a Markovian assumption, mapping only the current observation to an action, which leads to failure in
阅读原文 · Gyeonghun Kim, Donghoon Kim, Minsoo Choi, Suyun Lee
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文戳中了一个很实际的痛点：现在的 VLA 模型大多默认“当前画面足够决定下一步动作”，也就是马尔可夫假设。可真实世界里的操作任务经常不满足这个条件，比如你转身去拿个工具，回来得记得刚才拧到第几圈、哪个抽屉已经开过。 HeLM 想做的就是给机器人补上这段“工作记忆”。它借鉴人的 inner monologue，把任务相关的历史用 显式语言 存下来，而不是...