Embodied control (체화된 제어)은 모델이 동적인 시각적 상태 (visual states)를 추론하는 동시에 구성적인 언어 지시 사항 (compositional language instructions)을 따를 것을 점점 더 요구하고 있습니다. 그러나 현재의 vision-language-action (VLA) 정책과 world-action 모델들은 종종 공유된 backbone (백본) 또는 conditioning pathway (조건화 경로) 내에서 언어적 지식과 시각적 연산을 결합하며, 이는 modality competition (모달리티 경쟁)을 초래하고 지식 확장을 backbone 업데이트에 의존하게 만듭니다. 본 논문에서는 embodied control을 위해 언어에서 유도된 세계 지식 (world knowledge)을 시각적 상태 추론으로부터 분리하는 conditional-memory (조건부 메모리) 프레임워크인 Key-Gram을 소개합니다. 이 프레임워크의 핵심은 지시 사항을 작업별 key-grams로 분해하고, 결정론적 hashed lookup (해시 조회)을 통해 정적인 언어적 사전 지식 (linguistic priors)을 검색하며, 검색된 항목을 context-aware gating (문맥 인식 게이팅) 및 lightweight convolutional fusion (경량 컨볼루션 융합)을 통해 선택된 hidden layers (은닉층)에 주입하는 메모리 모듈입니다. 이러한 설계는 backbone이 주요 용량을 시각적 추론 및 action inference (행동 추론)에 전념할 수 있게 하는 동시에, 재사용 가능한 지시 지식을 확장 가능한 외부 메모리에 저장할 수 있게 합니다. 논리적 메모리 테이블은 학습 중에 편리하게 분할될 수 있으며, $O(1)$ lookup (조회) 패턴 덕분에 추론 시 host memory (호스트 메모리)에 효율적으로 배치될 수 있습니다. RoboTwin2.0, LIBERO/LIBERO-Plus, 그리고 실제 환경의 dual-arm manipulation (양팔 조작) 실험 전반에 걸쳐, Key-Gram은 $π_{0}$ 및 $π_{0.5}$ backbone 모두를 일관되게 향상시켰으며, RoboTwin2.0에서 평균 $29.5 ext{}/9.9 ext{} ext{%}$의 상대적 이득, 타겟 도메인 fine-tuning (미세 조정) 없는 LIBERO-Plus 전이 학습에서 $35.8 ext{}/4.5 ext{} ext{%}$의 이득, 그리고 실제 환경의 long-horizon (장기적) 작업에서 $15.4 ext{}/8.1 ext{} ext{%}$의 이득을 보였습니다. 이러한 결과는 외부화된 linguistic memory (언어적 메모리)가 compositional grounding (구성적 접지), transfer (전이), 그리고 실제 환경의 manipulation (조작)을 개선하기 위한 효과적이고 확장 가능한 메커니즘을 제공함을 입증합니다.