memory-mechanism

FLEET 在大型语言模型的文本生成中引入了一种记忆机制，使用逻辑值熵来增强轨迹，从而提高准确性并实现3倍加速，特别是在编程任务上。

SimpleMemVLA为视觉-语言-动作模型引入了一种简单的记忆机制，通过将完整的时间戳视频历史馈送到预训练的VLM骨干网络中，在长期操作任务中实现了最先进的结果，无需专用记忆模块。

Wonder是一个通用的视频世界模型，能够从一张图像或条件视频中实现实时、可控制摄像头的世界探索。它通过密集坐标场引入摄像头条件化，采用稀疏注意力记忆机制，并改进蒸馏技术，从而支持以16 FPS生成分钟级的视频。

本文介绍了一种主动记忆代理，它与标准行为代理协同工作，在长周期任务中选择性地注入基于记忆的提醒，从而缓解行为状态衰减。在Terminal-Bench和τ²-Bench上的实验显示，pass@1有显著提升，并且该方法在弱和强行为代理上均得到了验证。

本文介绍了AutoMMemo，一个使多模态智能体能够自动设计记忆机制（可表达为可执行的备忘录程序）以从多模态交互轨迹中学习的框架，在GUI/Web导航和视觉推理基准上优于无记忆和固定记忆基线。

本文介绍了 δ-mem，这是一种轻量级的记忆机制，通过为冻结的注意力骨干网络增加一个紧凑的关联记忆状态来增强大型语言模型。实验表明，该机制在计算开销极小的情况下，在记忆密集型基准测试中实现了性能提升。