🤖 machine learning

Latent Memory Palace: Reasoning for Control as Autoregressive Variational Inference

यह शोध पत्र लेटेंट मेमोरी पैलेस (LMP) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो नियंत्रण तर्क (control reasoning) को एक लेटेंट स्पेस के भीतर ऑटोरेग्रेसिव वेरिएशनल इन्फरेंस के रूप में मॉडल करता है, जिससे पुनरावृत्ति पुनर्प्राप्ति (iterative retrieval) और एक नवीन परिवर्तनीय-लंबाई वाले एक्शन टोकेनाइज़र के माध्यम से अनुकूलित टेस्ट-टाइम कंप्यूट आवंटन और बेहतर नीति प्रदर्शन सक्षम होता है।

मूल लेखक: Chuning Zhu, Eva Xu, Jose Barreiros, Krishnan Srinivasan, Paarth Shah, Abhishek Gupta

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chuning Zhu, Eva Xu, Jose Barreiros, Krishnan Srinivasan, Paarth Shah, Abhishek Gupta

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को एक कठिन कार्य करना सिखाने की कोशिश कर रहे हैं, जैसे कि एक फिसलन भरे बैंगन को उठाना और उसे धीरे से एक कटोरे में रखना। आप बस रोबोट को कह सकते हैं, "यह रही तस्वीर, यह रहा मूव," और उम्मीद कर सकते हैं कि वह इसे तुरंत सही कर लेगा। लेकिन इंसान ऐसे काम नहीं करते। कभी-कभी हम सहज क्रिया (reflex) पर काम करते हैं (जैसे गिरते हुए कप को पकड़ना), लेकिन कभी-कभी हम रुकते हैं, सोचते हैं और विचार करते हैं (जैसे शतरंज की चाल की योजना बनाना)। हम कठिन निर्णयों पर अधिक मानसिक ऊर्जा खर्च करते हैं और आसान निर्णयों पर कम।

यह शोध पत्र रोबोट को उसी तरह की लचीली सोच सिखाने का एक नया तरीका पेश करता है, जिसे लेटेंट मेमोरी पैलेस (Latent Memory Palace - LMP) कहा जाता है।

समस्या: रोबोट बहुत अधिक "एक ही आकार के लिए उपयुक्त" (One-Size-Fits-All) हैं

वर्तमान रोबोटिक मस्तिष्क अक्सर एक ही बड़ी छलांग में एक चाल को समझने की कोशिश करते हैं। लेखक तर्क देते हैं कि यह एक जटिल गणित की समस्या को तुरंत उत्तर का अनुमान लगाकर हल करने की कोशिश करने जैसा है। यह सरल चीजों के लिए काम करता है, लेकिन सटीक और कठिन कार्यों के लिए, यह पर्याप्त नहीं है।

कुछ शोधकर्ताओं ने इसे ठीक करने के लिए रोबोट को "शब्दों में सोचने" (जैसे एक चैटबॉट) के लिए प्रेरित किया, यानी हिलने-डुलने से पहले शब्दों के चरणों की एक लंबी सूची तैयार करना। लेकिन शोध पत्र सुझाव देता है कि रोबोट के लिए यह एक बुरा विचार है। क्यों? क्योंकि शब्द विचारों के लिए तो अच्छे हैं लेकिन किसी उपकरण को पकड़ने या ब्लॉक को खिसकाने के लिए आवश्यक सूक्ष्म, सटीक गतिविधियों के लिए बहुत खराब हैं। एक रोबोट को गति (motion) में सोचने की आवश्यकता होती है, न कि केवल वाक्यों में।

समाधान: अदृश्य महल (The Invisible Palace)

शब्दों में सोचने के बजाय, लेखक प्रस्ताव देते हैं कि रोबोट को एक "लेटेंट मेमोरी पैलेस" में सोचना चाहिए।

एक कल्पना कीजिए कि रोबोट के मस्तिष्क के भीतर एक जादुई, अदृश्य गलियारा है।

महल (The Palace): यह गलियारा छिपे हुए "कमरों" (लेटेंट टोकन) की एक श्रृंखला है।
चहलकदमी (The Walk): जब रोबोट कोई कार्य देखता है, तो वह सीधे उत्तर पर नहीं कूदता। वह इस गलियारे में चलना शुरू करता है।
ठहराव (The Stops): प्रत्येक कदम पर, वह यह जांचने के लिए रुकता है: "क्या मुझे और सोचने की आवश्यकता है?"
- यदि कार्य आसान है (जैसे "हाथ को आगे बढ़ाएं"), तो वह शायद दो कदम चलेगा और कहेगा, "समझ गया!"
- यदि कार्य कठिन है (जैसे "एक छोटे छेद में पेग को संरेखित करना"), तो वह और अधिक कमरे घूमता रहेगा, अधिक विवरण एकत्र करेगा, जब तक कि वह आश्वस्त महसूस न करने लगे।
निकास (The Exit): यह चहलकदमी अपने आप तब रुक जाती है जब रोबोट एक विशेष "स्टॉप" सिग्नल (जिसे EOS टोकन कहा जाता है) उत्पन्न करता है। यही मुख्य बात है: रोबोट खुद तय करता है कि कितनी सोच की आवश्यकता है।

इसे अनुकूली गणना (adaptive computation) कहा जाता है। रोबोट केवल तभी अधिक "मस्तिष्क शक्ति" (टेस्ट-टाइम कंप्यूट) खर्च करता है जब स्थिति मांग करती है, और जब उत्तर स्पष्ट होता है तो ऊर्जा बचाता है।

उन्होंने इसे कैसे सिखाया: "अनुमान और जांच" का खेल

आप रोबोट को सिर्फ यह नहीं कह सकते कि "ज़ोर से सोचो।" लेखकों को गणित पर आधारित वेरिएशनल इन्फरेंस (Variational Inference) नामक एक चतुर "अनुमान और जांच" के खेल का उपयोग करके इसे सिखाना पड़ा।

एक जासूस की तरह कल्पना करें जो अपराध को सुलझाने की कोशिश कर रहा है:

जासूस (रोबोट): दृश्य को देखता है (अवलोकन) और अपराधी की क्रियाओं (गति) का पुनर्निर्माण करने की कोशिश करता है।
सुराग (लेटेंट टोकन): जासूस अपराध को समझाने के लिए छिपे हुए सुरागों की एक श्रृंखला (महल में चहलकदमी) उत्पन्न करता है।
नियम: जासूस को पुरस्कृत किया जाता है यदि वह क्रिया को पूरी तरह से पुन: निर्मित कर सकता है और यदि वह अनावश्यक कदम बहुत अधिक नहीं लेता है। यदि वह एक सरल अपराध के लिए बहुत अधिक कदम लेता है, तो उसे दंड मिलता है। यदि वह एक जटिल अपराध के लिए बहुत जल्दी रुक जाता है, तो वह व्याख्या करने में विफल रहता है।

शोध पत्र दिखाता है कि इस खेल को खेलकर, रोबोट हर स्थिति के लिए सोचने के सही चरणों की संख्या उत्पन्न करना सीख जाता है। उन्होंने इसे कंप्यूटर सिमुलेशन और वास्तविक रोबोट दोनों में परखा, और परिणाम उत्साहजनक थे: रोबोट कठिन कार्यों में बेहतर हुआ और पिछले तरीकों की तुलना में विविध कार्यों को बेहतर ढंग से संभाल सका।

"टोकन" का कमाल

शोध पत्र ने एक दिलचस्प दुष्प्रभाव भी खोजा। क्योंकि रोबोट ने इन परिवर्तनीय-लंबाई वाले "चरणों" में क्रियाओं को तोड़ने के लिए सीखा, इस प्रणाली का उपयोग एक टोकेनाइज़र (tokenizer) के रूप में किया जा सकता है।

कल्पना कीजिए कि आपके पास एक लंबा, अव्यवस्थित वाक्य है। एक टोकेनाइज़र इसे छोटे, साफ शब्दों में तोड़ देता है। लेखकों ने पाया कि यह "मेमोरी पैलेस" विधि जटिल रोबोटिक गतिविधियों को अन्य विधियों की तुलना में बहुत बेहतर सेट के "शब्दों" (टोकन) में तोड़ देती है। जब उन्होंने इन विशेष टोकन का उपयोग अन्य रोबोटिक मस्तिष्क को प्रशिक्षित करने के लिए किया, तो उन मस्तिष्कों ने काफी बेहतर प्रदर्शन किया। यह रोबोट को उसकी गतिविधियों का वर्णन करने के लिए एक बेहतर शब्दावली देने जैसा है।

शोध पत्र क्या कहता है (और क्या नहीं कहता)

यह काम करता है: शोध पत्र दिखाता है कि यह विधि सिमुलेशन (जैसे LIBERO और RoboMimic) और वास्तविक रोबनों (जैसे DROID प्लेटफॉर्म) में अच्छी तरह काम करती है। वास्तविक दुनिया के परीक्षणों में, नए रोबोट पॉलिसी (LMP-π) ने पिछले सर्वश्रेष्ठ तरीके (Diffusion Policy) को पछाड़ दिया, और "टेबल साफ करने" जैसे कार्य पर 95% सफलता दर हासिल की।
यह जादू नहीं है: लेखक स्पष्ट रूप से इस विचार को खारिज करते हैं कि रोबोट को भौतिक नियंत्रण के लिए केवल "शब्दों में सोचना" चाहिए (जैसे एक चैटबॉट)। वे तर्क देते हैं कि शब्दों में स्थानिक गति के लिए आवश्यक सटीकता की कमी होती है।
यह अभी तक पूर्ण समाधान नहीं है: शोध पत्र स्वीकार करता है कि यह विधि इसके सेटअप (हाइपरपैरामीटर) के प्रति संवेदनशील है और यदि इसे सावधानी से प्रशिक्षित नहीं किया गया तो कभी-कभी फंस सकती है। यह सुझाव देता है कि भविष्य का कार्य "गलियारे" को असतत (discrete) चरणों के बजाय निरंतर (continuous) बनाना, या रोबोट को लंबे समय तक अपने विचारों को याद रखने में मदद करना हो सकता है।

निचोड़

यह शोध पत्र सुझाव देता है कि स्मार्ट रोबोट का रहस्य केवल उन्हें बड़ा या तेज़ बनाना नहीं है, बल्कि उन्हें एक छिपे हुए, कुशल स्थान में रुकने और विचार करने के लिए सिखाना है। रोबोट को कार्य की कठिनाई के आधार पर यह तय करने देकर कि उसे कितना सोचना है, हमें एक ऐसी मशीन मिलती है जो फुर्तीली भी है और ज़रूरत पड़ने पर विचारशील भी। यह उन रोबोटों की ओर एक कदम है जो केवल प्रतिक्रिया नहीं देते, बल्कि वास्तव में अपनी गति के बारे में तर्क करते हैं।

तकनीकी सारांश: लेटेंट मेमोरी पैलेस (LMP)

समस्या विवरण

मानव निर्णय लेने की प्रक्रिया एक स्पेक्ट्रम प्रदर्शित करती है, जो सहज क्रियाओं से लेकर विचारशील, बहु-चरणीय तर्क तक फैली हुई है, जहाँ निवेशित समय और प्रयास कार्य की जटिलता के साथ बढ़ते जाते हैं। जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) ने पुनरावृत्ति टोकन जनरेशन (जैसे, चेन-ऑफ-थॉट) के माध्यम से समान अनुकूली "तर्क" क्षमताओं को सफलतापूर्वक प्रदर्शित किया है, इस क्षमता को निरंतर रोबोटिक नियंत्रण नीतियों (control policies) में स्थानांतरित करना चुनौतीपूर्ण बना हुआ है। भाषा के स्थान (language space) में सीधे तर्क करने से अक्सर स्थानिक समझ और सटीक गति नियंत्रण के लिए आवश्यक सूक्ष्मता (granularity) का अभाव होता है। इसके अलावा, नियंत्रण के लिए मानक वेरिएशनल इन्फरेंस दृष्टिकोण आमतौर पर निश्चित-आयामी लेटेंट वेरिएबल्स पर निर्भर करते हैं, जो प्रत्येक इनपुट की विशिष्ट आवश्यकताओं के अनुसार अपनी कम्प्यूटेशनल गहराई को अनुकूलित नहीं कर सकते। मुख्य समस्या यह है कि कैसे रोबोटिक नीतियों को एक ऐसे लेटेंट स्पेस में पुनरावृत्ति, अनुकूली गणना करने में सक्षम बनाया जाए जिसे एक्शन प्रेडिक्शन के लिए एंड-टू-एंड सीखा गया हो, जिससे कुशल निर्णय लेने और बेहतर सामान्यीकरण (generalization) के बीच संतुलन बनाया जा सके।

कार्यप्रणाली

लेखक लेटेंट मेमोरी पैलेस (LMP) का प्रस्ताव करते हैं, जो एक फ्रेमवर्क है जो नियंत्रण के लिए तर्क को ऑटोरेग्रेसिव वेरिएशनल इन्फरेंस के रूप में स्वरूपित करता है।

1. मुख्य सूत्रीकरण (Core Formulation)

LMP एक एक्शन $a$ को अवलोकन $o$ से सीधे प्रेडिक्शन के रूप में नहीं, बल्कि एक मध्यवर्ती लेटेंट गणना $z$ के परिणाम के रूप में मानता है। पॉलिसी को एक वेरिएशनल लोअर बाउंड (ELBO) द्वारा परिभाषित किया गया है:
$\log p(a | o) \geq \mathbb{E}_{z \sim q_\theta(z|o,a)} [\log p_\phi(a | o, z)] - D_{KL}(q_\theta(z | o, a) \parallel p_\theta(z | o))$
मानक दृष्टिकोणों के विपरीत, लेटेंट वेरिएबल $z$ केवल एक सिंगल वेक्टर नहीं है, बल्कि एक परिवर्तनीय-लंबाई वाला ऑटोरेग्रेसिव सीक्वेंस $z = (z_1, z_2, \dots, z_{T(z)})$ है, जो एंड-ऑफ-सीक्वेंस (EOS) टोकन सहित एक वोकैबुलरी से लिया गया है। सीक्वेंस तब समाप्त होता है जब EOS जेनरेट होता है, जिससे मॉडल को निर्णय की जटिलता के आधार पर कम्प्यूटेशनल स्टेप्स को अनुकूल रूप से आवंटित करने की अनुमति मिलती है।

2. संपीड़न के माध्यम से अनुकूली तर्क (Adaptive Reasoning via Compression)

यह सुनिश्चित करने के लिए कि मॉडल केवल आवश्यकता होने पर ही अधिक स्टेप्स का उपयोग करे, LMP एक संपीड़न तंत्र (compression mechanism) पेश करता है। एक्शन डिकोडर $p_\phi$ को एक आइसोट्रोपिक गौसियन (isotropic Gaussian) के रूप में पैरामीटराइज़ किया गया है जहाँ विचरण (variance) $\sigma(T(z))$ , लेटेंट सीक्वेंस की लंबाई $T(z)$ के साथ तेजी से घटता है।
$\sigma(T(z)) = \gamma^{T(z)} \sigma_0, \quad \gamma \in (0, 1)$
यह एक लंबाई दंड (length penalty) लागू करता है: प्रत्येक अतिरिक्त लेटेंट स्टेप गौसियन वितरण को और अधिक सटीक (sharpen) बनाता है। फलस्वरूप, मॉडल केवल तभी अगला स्टेप जेनरेट करने का "सामर्थ्य" रखता है यदि प्रेडिक्टेड एक्शन की सटीकता (precision) विचरण में कमी को न्यायसंगत ठहराती हो। यह नीति को जटिल निर्णयों पर अधिक कंप्यूट खर्च करने और सरल या अपरिहार्य रूप से अनिश्चित निर्णयों (जैसे, ग्रिपर क्लोजर का सटीक समय) पर कम कंप्यूट खर्च करने के लिए मजबूर करता है।

3. लेटेंट-स्पेस RL के माध्यम से सुलभ अनुकूलन (Tractable Optimization via Latent-Space RL)

गैर-डिफरेंशिएबल ऑटोरेग्रेसिव सैंपलिंग के माध्यम से ELBO को ऑप्टिमाइज़ करना मानक बैकप्रोपैगेशन के माध्यम से कठिन है। लेखक लेटेंट ट्राजेक्टरीज पर एक सुदृढीकरण लर्निंग (RL) ऑब्जेक्टिव व्युत्पन्न करते हैं:

लेटेंट एपिसोड: एक ट्राजेक्टरी $q_\theta$ से EOS तक सैम्पल की जाती है।
रिवॉर्ड: एक रिकंस्ट्रक्शन रिवॉर्ड ( $\log p_\phi(a|o,z)$ ) और प्रायर (prior) के विरुद्ध KL पेनल्टी से बना होता है।
वेरिएंस रिडक्शन: KL टर्म को ऑटोरेग्रेसिव स्ट्रक्चर का उपयोग करके स्टेप-वाइज रिवॉर्ड्स में विभाजित किया जाता है, जिससे स्टेप-वाइज क्रेडिट असाइनमेंट संभव होता है।
ऑप्टिमाइज़ेशन: लेखक प्रशिक्षण को स्थिर करने और लेटेंट कोलैप्स को रोकने के लिए एक PPO-शैली के क्लिप्ड सरोगेट ऑब्जेक्टिव का उपयोग करते हैं, जो बफर में एकत्र किए गए ऑन-पॉलिसी रोलआउट्स का उपयोग करता है।

4. एक्शन टोकनाइजेशन (LMP-tok)

वेरिएशनल फ्रेमवर्क से ऑब्जर्वेशन कंडीशनिंग को हटाकर, समान आर्किटेक्चर LMP-tok को इंस्टैंशिएट करता है, जो एक परिवर्तनीय-लंबाई वाला एक्शन टोकनाइज़र है। यह निरंतर एक्शन चंक्स को डिस्क्रीट लेटेंट टोकन्स में कंप्रेस करता है, जिनका उपयोग बाद में डाउनस्ट्रीम ऑटोरेग्रेसिव पॉलिसियों को प्रशिक्षित करने के लिए किया जा सकता है। उन टोकनाइज़र्स के विपरीत जिन्हें डिस्क्रीट ट्रांसफॉर्म्स (जैसे, FAST) के सटीक पुनर्निर्माण की आवश्यकता होती है, LMP-tok वैध एक्शन्स में डिकोड करने के लिए मनमाने-लंबाई वाले सीक्वेंस की अनुमति देता है।

मुख्य योगदान

लेटेंट मेमोरी पैलेस (LMP): रोबोटिक कंट्रोल के लिए पुनरावृत्ति, अनुकूली गणना के रूप में तर्क को एक ऑटोरेग्रेसिव लेटेंट डिस्ट्रीब्यूशन के साथ वेरिएशनल इन्फरेंस के रूप में प्रस्तुत करने वाला एक नया फॉर्मूलेशन।
LMP- $\pi$ (पॉलिसी): एक कंट्रोल पॉलिसी जो टेस्ट टाइम पर परिवर्तनीय-लंबाई वाले "रीजनिंग" ट्रेसेस जेनरेट करती है, और कार्य की कठिनाई एवं अनिश्चितता के आधार पर कंप्यूट को अनुकूल रूप से आवंटित करती है।
LMP-tok (टोकनाइज़र): एक परिवर्तनीय-लंबाई वाला एक्शन टोकनाइज़र जो एक्शन्स को डिस्क्रीट लेटेंट स्पेस में कंप्रेस करके डाउनस्ट्रीम ऑटोरेग्रेसिव पॉलिसियों के प्रदर्शन में महत्वपूर्ण सुधार करता है।
ऑप्टिमाइज़ेशन फ्रेमवर्क: परिवर्तनीय-लंबाई वाले ऑटोरेग्रेसिव सैंपलिंग के लिए वेरिएशनल लोअर बाउंड को ऑप्टिमाइज़ करने के लिए एक सुलभ RL-आधारित तरीका, जिसमें लेटेंट कोलैप्स के खिलाफ ट्रेनिंग को स्थिर करने वाली तकनीकें शामिल हैं।

प्रयोगात्मक परिणाम

लेखकों ने वास्तविक दुनिया (DROID) और सिम्युलेटेड (LIBERO, D3IL, RoboMimic) बेंचमार्क दोनों पर LMP का मूल्यांकन किया।

पॉलिसी प्रदर्शन (LMP- $\pi$ ):
- जीरो-शॉट और फाइन-ट्यूनिंग: DROID प्लेटफॉर्म पर, LMP- $\pi$ ने जीरो-शॉट सेटिंग्स में डिफ्यूजन पॉलिसी (DP) को पछाड़ दिया और फाइन-ट्यून किए गए उच्च-परिशुद्धता कार्यों (जैसे, मल्टी-ऑब्जेक्ट क्लीनिंग में 95% सफलता दर) में उच्च सफलता दर प्राप्त की।
- सामान्यीकरण (Generalization): LIBERO-90 पर, LMP- $\pi$ ने DP की तुलना में सबसे कठिन 10 कार्यों के निचले स्तर (bottom 10 hardest tasks) पर काफी उच्च प्रदर्शन दिखाया, जो कम क्रॉस-टास्क इंटरफेरेंस और बेहतर रिट्रीवल क्षमताओं का संकेत देता है।
- इटरेटिव बनाम नॉन-इटरेटिव: LMP- $\pi$ ने लगातार नॉन-इटरेटिव बेसलाइन्स (VAE पॉलिसी, VQ-BeT) को पीछे छोड़ दिया, जो यह दर्शाता है कि फिक्स्ड-लेंथ लेटेंट रिप्रेजेंटेशन जटिल मैनिपुलेशन के लिए आवश्यक सूक्ष्मता की कमी रखते हैं।
टोकनाइज़र प्रदर्शन (LMP-tok):
- जब इसका उपयोग डाउनस्ट्रीम ऑटोरेग्रेसिव पॉलिसियों को प्रशिक्षित करने के लिए किया गया, तो LMP-tok ने RoboMimic और LIBERO कार्यों पर बेसलाइन्स (VQ-VAE, FAST, OAT) को काफी बेहतर प्रदर्शन दिया।
- विशेष रूप से, LMP-tok एकमात्र ऐसा तरीका था जिसने उच्च-परिशुद्धता वाले RoboMimic "टूल-हैंग" कार्य पर गैर-तुच्छ (non-trivial) प्रदर्शन प्राप्त किया, जहाँ अन्य टोकनाइज़र परिशुद्धता या रिकंस्ट्रक्शन बाधाओं के कारण विफल रहे।
अनुकूली कंप्यूट विश्लेषण (Adaptive Compute Analysis):
- व्याख्यात्मकता (Interpretability): विज़ुअलाइज़ेशन दिखाते हैं कि लेटेंट रीजनिंग स्टेप्स की संख्या कार्य की जटिलता के साथ सह-संबंधित है। मॉडल ग्रिपर मूवमेंट (जहाँ टाइमिंग स्वाभाविक रूप से परिवर्तनशील है) के दौरान कम स्टेप्स का उपयोग करता है और सटीक अलाइनमेंट कार्यों के दौरान अधिक स्टेप्स का उपयोग करता है।
- संपीड़न (Compression): एब्लेशन अध्ययनों ने पुष्टि की कि मजबूत संपीड़न (तेजी से विचरण घटना) बेहतर सामान्यीकरण की ओर ले जाता है, बशर्ते इसे अत्यधिक रिकंस्ट्रक्शन एरर से बचने के लिए संतुलित किया जाए।
- मोड-सीकिंग (Mode-Seeking): टेस्ट टाइम पर लेटेंट स्टेप्स को ट्रंकेट (truncate) करने से प्रदर्शन में महत्वपूर्ण गिरावट नहीं आई; इसके बजाय, मॉडल ने "मोड-सीकिंग" व्यवहार प्रदर्शित किया, यानी वह औसत निकालने के बजाय विशिष्ट वैध एक्शन मोड्स के प्रति प्रतिबद्ध हुआ।

महत्व और दावे

पेपर का दावा है कि यह ऑटोरेग्रेसिव वेरिएशनल इन्फरेंस को रोबोट लर्निंग के लिए पुनरावृत्ति, अनुकूली गणना के एक व्यावहारिक और सिद्धांतिक ढांचे के रूप में स्थापित करता है। "मेमोरी पैलेस" मेमोनिक के साथ समानता खींचते हुए, यह कार्य प्रदर्शित करता है कि परिवर्तनीय-लंबाई वाले लेटेंट स्पेस में सूचना को व्यवस्थित करने से पॉलिसियों को निम्नलिखित लाभ मिलते हैं:

मानव निर्णय परिवर्तनशीलता की नकल करना: निर्णय की जटिलता के साथ कम्प्यूटेशनल प्रयास को स्केल करना।
सामान्यीकरण में सुधार करना: कंप्यूट को कुशलतापूर्वक आवंटित करने के लिए सीखकर विविध कार्यों और वातावरणों में मजबूत प्रदर्शन प्राप्त करना।
टोकनाइजेशन को बेहतर बनाना: निरंतर एक्शन्स को डिस्क्रीट लेटेंट स्पेस में बदलने के लिए एक बेहतर तरीका प्रदान करना।

लेखक LMP को फाउंडेशन मॉडल्स की तर्क क्षमताओं और रोबोटिक कंट्रोल की परिशुद्धता आवश्यकताओं के बीच एक सेतु के रूप में स्थापित करते हैं, जहाँ "तर्क" एक निहित (implicit), लेटेंट प्रक्रिया है जिसे वेरिएशनल इन्फरेंस और रिइन्फोर्समेंट लर्निंग के माध्यम से अनुकूलित किया गया है।