我们提出了一种名为Token Turing Machine（TTM）的序列化、自回归Transformer模型，该模型具备记忆功能，适用于现实世界中的序列视觉理解任务。受开创性研究《神经图灵机》（Neural Turing Machine）的启发，TTM配备了一个外部记忆模块，该模块由一组“token”构成，用于对先前的历史信息（即视频帧序列）进行摘要表示。在每个处理步骤中，模型利用Transformer作为处理单元（或控制器），高效地实现对记忆的寻址、读取与写入。得益于这一记忆模块的设计，模型在处理新观测时仅依赖记忆中的内容，而非完整的历史序列，从而能够在每一步保持有界的计算开销，实现对长序列的高效处理。实验结果表明，在两个现实世界中的序列视觉理解任务上，TTM显著优于其他主流方法，包括专为长序列设计的其他Transformer模型以及循环神经网络（RNN）。这两个任务分别为：从视频流中进行在线时间活动检测，以及基于视觉的机器人动作策略学习。代码已公开，可访问：https://github.com/google-research/scenic/tree/main/scenic/projects/token_turing