BetaMem: Learning to Remember a Changing World for Embodied Agents
Pubblicata su AIChronos il · fonte del · Mai Liu, He Sun, Siru Zhong, Kerun Chen, Hao Yan, Xiaohui Lv
BetaMem è un framework per costruire e far evolvere memorie a lungo termine tracciabili per agenti incarnati (embodied agents), affrontando problemi come la confusione temporale e i costi di archiviazione. Il sistema utilizza sei livelli di memoria collegati, inclusi una scrittura contrattuale dual-level che combina supervised fine-tuning e reinforcement learning con verifica degli insegnanti. L'approccio formula un miglioramento iterativo guidato dai fallimenti attraverso diagnosi lungo la sequenza causale delle operazioni di memoria e riparazioni locali dei regole.
- Il framework BetaMem integra sei livelli di memoria: working, spatial, entity, episodic, experiential e procedural memory per gestire record incompleti o distorti.
- Un contratto dual-level limita l'esecutabilità delle operazioni imponendo supporto alla fonte del contenuto, riducendo gli errori dovuti a omissioni o distorsioni.
- L'uso di atomic tools permette di allocare costi e utilità per storage, aggiornamenti, retrieval e forgetting entro budget specifici.
- BetaMem supera i metodi esistenti su benchmark come M3-Bench-robot (48.08%) ed EgoLifeQA (62.4%), utilizzando modelli open-source Qwen3.5-9B.
Perché conta. ['Per gli sviluppatori di agenti AI locali, BetaMem offre una soluzione strutturata per gestire la memoria a lungo termine senza costi esponenziali di storage.', "L'approccio basato su contratti e verifica riduce significativamente le distorsioni nei record osservati, migliorando l'affidabilità degli agenti in scenari complessi."]
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.