arXiv cs.AI· Bingfan Zeng, Zhisheng Chen, Chenbo Sang, Zhengwei Xie, Jinpeng Wang, Xiangchen Guan, Rui Qian, Zheng Lu, Jingwei Song·· 9 天前AI 评分27
MemoWM：世界模型如何改变智能体的记忆需求
MemoWM: How World Models Change What Agents Need to Remember
AI 导读
MemoWM 框架利用世界模型的共享预测压缩智能体保留的信息并重建被省略内容，在五个长期智能体记忆基准上平均答案准确率达 42.42%，超出最强基线 2.62 个百分点，同时相比存储效率最高的基线 MIRIX 将平均单条经验存储降低 53.9%。分析显示，更强的世界模型可在任务质量相当的情况下减少每条经验的存储，而模型参数与存储成本之间存在权衡，保留的交互越多，最小化总存储所需容量越大。
正文 · AI 翻译
摘要：长期智能体在积累经验时面临日益增长的存储需求。世界模型捕捉可复用的规律，从而减少为每条经验存储的信息。我们将基于世界模型的条件化内存分配问题形式化，并提出了 MemoWM，一个利用共享预测来压缩保留信息并重建被省略内容的框架。其任务感知分配规则在重建误差的预期影响与存储成本之间取得平衡，保留具有超出预测先验的下游价值的信息。在五个长期智能体记忆基准上，MemoWM 实现了 42.42\% 的平均答案准确率，超过最强基线 2.62 个百分点，同时相对于存储效率最高的基线 MIRIX，将平均每条经验存储减少了 53.9\%。进一步分析表明，更强的世界模型在任务质量相当的情况下可减少每条经验的存储。考虑模型参数后，揭示了共享模型容量与重复存储成本之间的权衡，随着保留的交互增多，使总存储最小化的容量也随之增加。我们的代码可在 此 https URL 获取。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.10778 [cs.LG] |
| （或 arXiv:2610.10778v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.10778 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhisheng Chen [查看邮箱]
[v1]
2026年10月7日星期三 18:33:00 UTC（946 KB）
来源：arXiv cs.AI · arxiv.org