AGM：面向冻结 VLA 策略的闭环智能体的基于成就记忆

冻结的视觉-语言-动作（VLA）策略提供了广泛的操控能力，但它们会在不跟踪任务进展的情况下执行开环动作块，因此智能体无法可靠地判断是应继续、重试还是终止。外部记忆是一种自然的补救办法，然而当把尝试过的动作当作已完成的进展时，它反而可能有害，从而把局部执行错误转化为持久的任务状态错误。我们提出 Achievement-Grounded Memory（AGM），一种面向冻结 VLA 策略的轻量级闭环框架，它将任务表示为带有进度指针的子目标序列，并且只有在当前子目标被物理证据验证之后才推进这段记忆。本体感觉交互线索决定何时进行验证，而来自冻结基础模型的连贯点跟踪与语言条件下的跨视角比较，则通过一个仅含 2.43M 参数的验证头来决定已完成了什么。AGM 由此将开环执行转化为由执行、验证和进度组成的闭环，同时保持策略冻结，无需在测试时进行大模型推理。在 RoboMME Counting 基准上，AGM 在 PickXTimes 和 BinFill 上取得了显著结果，平均超过最强的带记忆增强基线若干个百分点，并且该框架在实体机器人上也带来了同样明确的提升。因此，可靠的具身记忆更多依赖于规范的状态更新，而不是记忆容量。