检索后引导：用于生成式视觉 - 语言 - 动作模型测试时适应的在线成功记忆

视觉 - 语言 - 动作（VLA）模型在通用机器人操作中潜力巨大，但在本地部署时常面临闭环可靠性下降问题。本文研究持续部署场景，提出一种基于在线成功记忆的测试时适应框架。该框架将经过进度校准的成功观测 - 动作片段存入长期记忆；推理时检索状态相关的动作块，经轨迹一致性过滤后聚合为精英动作先验。通过引入置信度自适应先验引导，将该先验注入流匹配采样器的中间状态并动态调整强度，使冻结 VLA 无需参数更新即可利用环境特定经验，显著提升长程多阶段任务的成功率与稳定性。