机器人长期在办公室里工作，如果每经过一次桌椅都把细节重新记一遍，地图会越堆越大，处理新画面也会越来越慢。JITOMA 想把建图改成“用到哪，长到哪”：平时只保存稀疏、低成本的环境线索，任务来了再补齐相关区域，而不是先精细测绘整座“城市”。
具体说，它先用任务热力图——标出哪些位置更值得关注的优先级图——筛选连续视频，只留下少量关键画面和休眠的“锚点”。收到指令后，大语言模型（LLM，即理解文字并辅助推理的模型）判断机器人想做什么，再唤醒相关锚点；物体描述、功能关系推断等高成本操作，只在这块局部三维场景图中进行。三维场景图把环境写成“杯子在桌上”这类对象及关系，便于查询和规划。任务切换时，旧区域重新休眠，新区域再展开。
作者称，这种做法能缩小活跃地图、降低描述生成延迟，并让长程任务切换时的处理时间保持稳定。不过，现有材料未给出完整实验数字，因此实际节省幅度仍待进一步核对。