Externalisons la mémoire : une étude préenregistrée sur l'emplacement idéal de l'expérience d'un agent incarné

Une étude pré-enregistrée publiée sur arXiv compare deux manières de donner de l'expérience à un agent incarné: l'inscrire dans les poids de sa politique, ou la garder à l'extérieur et la récupérer à l'inférence. Un enseignant doté de mémoire, un modèle vision-langage (VLM) qui retrouve des leçons et les images de ses tentatives passées, génère des trajectoires sur une tâche d'atteinte conditionnée par la vision. Les auteurs en distillent des politiques étudiantes par adaptateurs LoRA, évaluées sous protocoles appariés. L'un de ces protocoles rattache le tampon de récupération figé de l'enseignant à des poids d'étudiant fixes. Hypothèses, bras et règles d'analyse ont été enregistrés avant l'entraînement et avant tout calcul de p-valeur. Distiller le comportement augmenté de mémoire dans les poids ne dépasse le contrôle « actions seules » que de 1 point (non significatif). Le test étant sous-dimensionné pour son propre effet minimal, les auteurs retirent l'hypothèse plutôt que de la réfuter. Rattacher la récupération aux poids apporte en revanche +34 points (z=5,15) et atteint la référence de l'enseignant (49,3 %). Le même tampon fait passer le modèle de base sans adaptateur à 48 %, et trois autres adaptateurs de 19-26 % à 53-55 %. Une fois le tampon attaché, l'adaptateur n'apporte rien de détectable.

Ces résultats plaident pour une mémoire traitée comme un composant externe. Elle serait modifiable sans réentraînement, inspectable et réutilisable d'un modèle à l'autre, ce qui compte pour un intégrateur qui voudrait capitaliser sur l'expérience de terrain sans cycle de fine-tuning. L'interprétation, présentée comme exploratoire, est que la distillation transfère la correction « marginale » mais pas la correction conditionnelle, propre à une situation, que seule la récupération fournit. La portée reste limitée. La tâche est un simple atteinte, avec des scores autour de 50 %, très loin de la manipulation industrielle. Sur une seconde tâche, plus difficile, l'avantage de la récupération reste dans le même sens mais n'est pas significatif (+6 points, IC à 95 % [-4,5 ; +16,4]). Les diagnostics exploratoires relient cet affaiblissement à la couverture de la mémoire.

Le courant dominant des modèles vision-langage-action, comme Pi-0, GR00T ou Helix, absorbe l'expérience par données et entraînement. La mémoire par récupération vient plutôt des agents à base de LLM. Il s'agit ici d'un travail de laboratoire: aucun produit, aucun déploiement, aucun acteur industriel, et l'abstract ne précise pas si l'évaluation est simulée ou réelle. Sa valeur est surtout méthodologique, car le pré-enregistrement reste rare en robotique d'apprentissage. Les suites logiques sont des tâches plus difficiles et une meilleure couverture mémoire. Aucun calendrier n'est annoncé.