VLM/VLA：视频表征、状态记忆与长时序压缩

VLM 从图片开始，世界模型却必须处理时间。对 VLA 和世界模型来说，视频不是很多张图片的拼接，而是状态如何随动作、接触、遮挡和环境变化而演化。

初学者先抓住

视频表征要解决“当前发生了什么”和“之前发生的事还留下了什么影响”。如果只把每帧当图片理解，模型很容易会描述画面，却抓不住速度、因果、物体持久性和动作后果。

视频表征的四个目标

目标	读者要看什么	对世界模型的意义
时序连续性	物体是否跨帧一致	决定 rollout 是否漂移
运动与接触	速度、碰撞、抓取、遮挡	决定动作后果是否可信
长时记忆	早期状态是否影响后续决策	决定长任务能否恢复
token 压缩	多帧信息如何不爆上下文	决定训练成本是否可控

常见路线

1. 帧级 VLM 拼接

把关键帧抽出来送进 VLM，是最容易落地的方案。它适合视频问答、事件摘要和低频观察，但对机器人控制和世界模型不够：帧间速度、接触瞬间和动作结果可能被采样漏掉。

2. 视频 encoder / latent prediction

用视频 encoder 直接学习时空特征，再在 latent space 做预测。V-JEPA、JEPA 类方法的启发在于：不必重建所有像素，先学能表达运动和上下文的 latent。

这对高效训练很重要，因为像素级重建昂贵且容易把容量花在纹理上；latent prediction 更容易把学习压力放到对象、运动和结构上。

图源：V-JEPA: Latent Video Prediction for Visual Representation Learning，Figure 3。原论文图意：context encoder 只处理 masked video 中可见 token，predictor 结合 context output 和 mask tokens 去预测 target encoder 对完整视频产生的 masked token representations。

图解：V-JEPA 支撑的是状态学习，不是像素复读

V-JEPA 的目标不是把遮挡区域画得多清楚，而是在 latent space 预测被遮挡时空区域的表示。这给世界模型一个重要启发：视频状态应优先保留对象、运动、遮挡和上下文结构，而不是把容量花在纹理复原上。但 V-JEPA 仍缺动作条件、reward、risk 和 planner 接口，所以它更适合作为视频状态学习依据，而不是完整世界模型答案。

3. 记忆层级

长视频不能把所有帧都放进上下文。更现实的做法是分层：

层级	保存什么	代价
当前窗口	最近几帧、动作、局部状态	高保真但昂贵
工作记忆	目标、约束、关键物体状态	结构化但可能漏细节
长期记忆	地图、任务历史、失败记录	便宜但读取慢
回放库	完整轨迹、传感器日志	不进实时上下文，供训练和复盘

与高效训练的关系

视频世界模型训练很容易被三件事拖垮：

帧数太多，序列长度爆炸。
分辨率太高，视觉 token 爆炸。
目标太像像素重建，模型学到纹理多于动态。

因此高效训练通常会组合使用：视频 tokenizer、latent prediction、patch / sequence packing、mask 建模、动作条件压缩、长短 horizon 混合训练，以及按任务价值采样轨迹。

VLA 场景下的状态问题

机器人任务里，一个状态是否好，不只看能不能回答画面问题，还要看：

抓取前后物体是否被持续跟踪。
遮挡后物体是否仍被记住。
接触发生时是否保留关键瞬间。
动作失败后是否知道失败原因。
同一任务在不同相机和机器人上是否能对齐。

这些能力决定 VLA 能不能从“看一眼做一步”走向“执行、观察、恢复、继续”。

一个记忆写入例子：杯子被移到遮挡区

下面是一条 episode 中最容易被短窗口模型遗忘的片段。关键不是把所有帧都长期保存，而是把会改变后续决策的状态写入工作记忆。

时间	观测	动作	应写入的 memory	后续用途
$t=18$	红杯在桌面左前方，无遮挡	机械臂接近	`object:red_cup pose=left_front visible=true`	建立对象身份
$t=31$	夹爪接触杯把	闭合夹爪	`contact:red_cup handle grasped=true confidence=0.82`	判断是否已抓住
$t=42$	杯子被移动到箱子后方，部分遮挡	放置动作	`object:red_cup pose=behind_box visible=false last_seen=t42`	遮挡后仍保留去向
$t=57$	当前画面只看到箱子	继续整理桌面	`task_state:red_cup already_moved=true`	避免重复抓取原位置

如果只保留最近 8 帧， $t=57$ 时模型可能看不到杯子，就把它预测回训练集中最常见的桌面位置。一个更稳的世界模型会把“物体已被移动”和“最后可信位姿”作为结构化 memory token 或 latent state 持续携带。

memory token 不是摘要作文

长时记忆不是把视频写成自然语言摘要就结束。对 VLA / 世界模型更有用的是可验证字段：

memory_event:
  object_id: red_cup_03
  event: moved_behind_occluder
  last_visible_time: 42.1
  last_pose_base: [0.42, -0.18, 0.09, 0.0, 0.0, 1.57]
  visibility: occluded
  evidence_frames: [39, 40, 41, 42]
  action_caused_by: place_chunk_04
  confidence: 0.76

这些字段可以直接进入训练：last_pose_base 用于几何一致性，action_caused_by 用于动作敏感性，confidence 用于风险头或不确定性校准。自然语言摘要适合给人看，结构化记忆才适合给模型、planner 和评测脚本消费。

硬证据模块：记忆页要证明“长时状态没有漂”

视频记忆的证据不能只靠几帧可视化。世界模型真正要证明的是：压缩后的状态在动作、遮挡和长任务里仍保留可决策变量。

证据项	最小可复算例子	失败案例	验收指标
本页解决哪项成本	当前窗口 token + memory token 替代全视频上下文	memory 写错后污染后续 rollout	memory token 数、context length、读取命中率
长时一致性	2s/8s/30s horizon 下对象位置和 ID 曲线	物体被遮挡后身份重置	object permanence、latent drift
动作因果	`action_caused_by` 字段能否解释状态变化	记忆知道物体移动了，但不知道由哪个动作造成	action-conditioned event accuracy
风险校准	遮挡、滑落、接触前后 risk 是否上升	风险在关键接触帧前没有抬头	near-miss recall、risk ECE
证据边界	说明结果来自 replay、ablation 还是闭环	只在离线 replay 保住，闭环仍重复抓取	closed-loop recovery rate

最小失败 replay 应记录三件事：最后可信观测、写入 memory 的字段、后续动作选择。若模型在 wrong_target_after_occlusion 中选择了可见诱饵，问题可能不是动作头，而是 memory 没有保住被遮挡目标的身份和最后位置。

评测建议

视频表征至少要补三类专项评测：

评测	例子	看什么
时间一致性	物体进出遮挡后是否仍识别	物体持久性
动作敏感性	同一画面接不同动作，未来是否分叉	action conditioning
长时恢复	第 1 步约束在第 20 步是否仍有效	记忆保真

真实排查案例：短视频指标好，长任务中忘了物体在哪里

环节	观察
输入症状	模型在 2-4 秒短 clip 上预测稳定，但机器人把杯子移到遮挡区域后，后续 rollout 又把杯子预测回原位置
指标	short-horizon video loss 正常；object permanence、long-horizon consistency、closed-loop recovery 明显差
Trace / 回放观察	当前窗口只保留最近几帧，工作记忆没有记录“杯子已被移动”；遮挡发生后，模型回到训练集中最常见的桌面布局
判断	视频 encoder 学到了局部运动，但没有把关键状态写入可持续记忆；这类错误短 horizon loss 很难暴露
修复	给关键对象建立 memory token；加入遮挡前后身份一致性 loss；把长时失败、回到旧位置、任务阶段遗忘单独成桶回流
反例	如果任务只是短视频问答或短片段摘要，当前窗口可能足够；只有当系统要做长时 VLA 或世界模型 rollout 时，长期状态才变成核心成本

如果一个视频表征只在静态识别上好，却不能支撑动作敏感预测，它更适合 VLM，不适合作为世界模型的核心状态。