尝试一次，然后选择最佳：用于跨情节探索摊销的去冗余过程内存

操纵具有隐藏内部状态的物体（例如锁存的微波炉）会迫使机器人在行动之前进行探测。然而，一旦解决了某个实例的机器人，每当再次遇到该实例时，它就会重新运行相同的探测，因为现有的跨情节记忆以任务成功为目标，并围绕状态组织重用，而不是对象或重新探索它的成本。我们提出了面向实例的内存（IOM），一个以对象为中心的框架，它分摊了这种探索：从揭示隐藏状态的单个遭遇中，无论它是否成功，IOM都会记录一个用于操作该实例的简短过程，将其键入对象的可识别特征，并将其作为过程条件策略的软偏置注入。后来的遭遇会认出该物体并回忆起它的过程，而不是重新探索。我们使用现成的视觉语言模型（VLM）实例化这个 蒸馏，该模型将每次遇到的情况解析为过程，而无需进行特定于任务的训练。在四个关节对象任务中，其中两个是模拟任务（微波炉、门），两个是真实机器人任务（瓶子、柜子），在非回归成功的情况下，oracle 程序内存比重新探索的操作操作减少了 16-30%，而 VLM 实例化则恢复了开箱即用节省的 69-88%。因为该过程是对反馈驱动策略的软偏差，所以错误的记忆会被恢复而不是被服从：即使检索到的过程是错误的，成功仍然有效，对于 $\approx$12% 的门实例来说。在所有任务中，好处纯粹是效率之一：成功永远不会倒退，在真正的机器人上甚至会有所提高。代码将在接受后发布。