论文页面 - 学会回忆什么：面向世界模型的自适应多线索情景记忆

来源：https://huggingface.co/papers/2609.34677

摘要

世界模型会根据当前的经验与动作预测未来的观测结果，但这种预测可能依赖于很久以前看到的观测。情景记忆会保存过去的观测以供后续回忆；然而，随着记忆不断累积，一个根本性的问题随之而来：哪些记忆对当前的预测是有用的？我们又该信任哪些现有的检索线索来找到它们？这一问题颇具挑战性，因为基于时间新近程度、位姿重叠或视觉相似度的固定标准，在不同环境和查询场景下往往并不可靠。我们提出了 Future-Aware Recall（FAR），一个从“感知未来“的预测性监督与自适应多线索评分中学习情景回忆的框架。在训练阶段，FAR 通过“在已回忆上下文的条件下，真实未来观测的对数似然“来衡量预测效用，该似然以负扩散预测损失来近似估计，并用它来训练一个在推理时保持“对未来盲态“的检索器。该检索器学习每种线索各自的相关性，并在检索记忆时自动确定应当信任哪些现有线索（如时间、位姿、视觉和音频）。在三个互补的实验设置中，即使采用相同的检索线索，FAR 依然优于人工设计的回忆策略，能够自动调整应当信任的线索，并在世界发生变化时回忆起正确的历史。综合这些结果，FAR 被确立为世界模型中情景记忆访问的一种灵活且有原则的方法。

查看 arXiv 页面 (https://arxiv.org/abs/2609.34677)　查看 PDF (https://arxiv.org/pdf/2609.34677)　项目主页 (https://1202kbs.github.io/FAR-Project-Page/)　GitHub1 (https://github.com/sony/far)　加入收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.34677)

在你的智能体中获取本文：

hf papers read 2609.34677

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

引用本文的模型 1

1202kbs/FAR-Checkpoints　1 天前更新 (https://huggingface.co/1202kbs/FAR-Checkpoints)

引用本文的数据集 3

1202kbs/FAR-Datasets-AI2THOR　2 天前更新 • 1.27k (https://huggingface.co/datasets/1202kbs/FAR-Datasets-AI2THOR)

1202kbs/FAR-Datasets-LoopNav (https://huggingface.co/datasets/1202kbs/FAR-Datasets-LoopNav)

1202kbs/FAR-Datasets-SoundSpaces (https://huggingface.co/datasets/1202kbs/FAR-Datasets-SoundSpaces)

引用本文的 Space 0

没有关联本文的 Space。

在 Space 的 README.md 中引用 arxiv.org/abs/2609.34677，即可从本页面建立链接。

收录本文的合集 0

没有合集收录本文。

将本文加入某个合集 (https://huggingface.co/new-collection)，即可从本页面建立链接。