论文页面 - EmbodiedMemory-Bench：长时程具身任务的具身记忆基准测试

来源：https://huggingface.co/papers/2609.28236

摘要

长时程的具身交互要求智能体在观察、行动和应对环境变化的过程中，能够持续保存并不断更新环境信息。然而，目前的智能体难以可靠地维持此类记忆。我们的分析将此局限追溯至四个关键缺陷：薄弱的细粒度视觉记忆、不可靠的动态世界状态追踪、未能记录交互结果揭示的世界状态，以及从先验经验中泛化的能力有限。然而，现有基准并未直接评估长时程具身交互过程中的这些记忆能力。为填补这一空白，我们推出了EmbodiedMemory-Bench（EMem-Bench），包含四个任务族中的2,554个交互片段。EMem-Bench要求智能体从交互历史中构建和更新记忆，并利用这些记忆在环境中执行操作以完成后续任务。我们进一步介绍了Embodied-Memorizer（EMem），这是一个将具身经验组织为空间记忆、事件记忆和场景记忆的外部记忆系统。我们还训练了EMem-8B，一个管理并运用这些记忆的8B参数策略模型。我们评估了一系列开源和闭源多模态大语言模型以及代表性的多模态记忆系统。结果表明，当前模型在四个挑战上仍然表现薄弱且不均衡。在匹配的骨干网络下，EMem在所有评估的记忆系统中取得了最佳整体性能，并提升了开源和闭源模型的表现，而EMem-8B则在其骨干网络基础上进一步提升。项目页面：https://zju-omniai.github.io/EmbodiedMemoryBench/

查看arXiv页面 (https://arxiv.org/abs/2609.28236)查看PDF (https://arxiv.org/pdf/2609.28236)项目页面 (https://zju-omniai.github.io/Embodied-Omni/EmbodiedMemoryBench/)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.28236)

将此论文加入您的智能体：

hf papers read 2609\.28236

没有最新版CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

无模型关联此论文

在模型的README.md中引用 arxiv.org/abs/2609.28236 以从本页面关联。

引用此论文的数据集 1

lzLiang/EmbodiedMemoryBench 查看器• 4天前更新 • 2.55k • 324 • 2 (https://huggingface.co/datasets/lzLiang/EmbodiedMemoryBench)

引用此论文的Space 0

无Space关联此论文

在Space的README.md中引用 arxiv.org/abs/2609.28236 以从本页面关联。

包含此论文的收藏 0

无收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从本页面关联。