BetaMem 四项记忆基准达 SOTA：证据与状态分离，写入策略可训练

• 核心发布：贝塔无限于 10 月 20 日将 BetaMem 全时空多模态记忆架构的方法与实验挂上 arXiv；论文使用 9B 开源模型 Qwen3.5-9B 生成记忆，在 M3-Bench-robot、LoCoMo、OpenEQA、EgoLifeQA 四项代表性记忆基准取得 SOTA。
• 关键数据：M3-Bench-robot 上，多细节、多跳与人物理解三类题分别领先最强参照 15.96、23.51 和 27.93 个百分点；写入动作符合记忆库规则的比例从 50.9% 升至 86.2%，每条入库动作消耗的输出 token 从 224 降至 118。
• 机制设计：BetaMem 用三类结构分开保存证据与状态——时态状态图记录当前认为世界是什么样，只追加事件日志记录状态如何变化，有限容量的源数据档案留存选定的原始图像与音频。每条状态记录携带空间上下文、置信度、来源、版本号及“已观察、推断、冲突、过期、未知”状态标记。
• 检索原则：历史记录只作为搜索线索，不作为现状证明。例如钥匙最后一次在抽屉里被看到，机器人据此去抽屉查看，拿到新观察后才追加新版本状态。
• 策略改进：团队通过监督微调与 GRPO 训练小模型形成可靠记忆，并以失败反馈驱动的记忆策略递归自我改进机制修复规则，修复需经独立回放验证后才发布；论文也指出，真实家庭长期数据与记忆策略自我改进的独立实证仍待补充。
• 行业意义：具身记忆从外挂检索模块转向可训练、可追溯、可回滚的系统组件。家庭场景的多变化、多主体、长周期与信任要求，使证据链留存、状态修订与删除授权成为架构问题，而非事后补上的合规模块。

🔗 AI科技评论原文