RV-ICL：面向机器人 Agent 的递归视频上下文学习

论文指出，编排冻结视觉-语言-动作（VLA）策略的 LLM Agent 通过文本记忆跨回合改进，但文本只记录做了什么、不记录怎么做；完整演示视频会拖慢每轮推理，固定关键帧又丢失决定抓取成败的接触细节。作者提出免训练的 Recursive Video In-Context Learning（RV-ICL），把演示视频转为由子事件（如抓取、释放）构成的层级结构，层级从全任务关键帧细化到阶段、时刻和短片段，并通过只读工具暴露给 Agent：规划前读取粗粒度层级，执行中在需要更多细节时重新进入层级。

AI推荐理由 提出免训练的 RV-ICL 方法，将演示视频组织为可导航的层级结构（关键帧、阶段、时刻、短片段），通过只读工具供 LLM Agent 在规划与执行时按需读取，解决完整视频拖慢每轮、固定关键帧丢失接触细节的问题。思路具体且针对 VLA 策略编排的实际痛点，但摘要未给出实验数据与效果验证。