具身长记忆基准刷新：贝塔无限发布BetaMem架构

在机器人领域，缺少长期记忆的具身系统每一次与环境互动都如同初次相遇，只能作为单一动作的孤立执行器。而在匹兹堡闭幕的 IROS 2026 上，最佳论文奖颁给了让机器人保留物体变迁史的 LT-Mem。这标志着学界正式将具身长记忆（Long-term Embodied Memory）从单纯的工程补丁，提升为机器人领域公认的核心科学议题。

与此呼应，国内具身智能初创公司贝塔无限近期在 arXiv 上发布了系统性论文，正式披露了其全时空多模态记忆架构 BetaMem 的技术细节与实验数据。

论文显示，BetaMem 基于 9B 开源模型生成记忆，在 M3-Bench-robot、LoCoMo、OpenEQA 和 EgoLifeQA 四项主流记忆基准测试中全部刷新了现有成绩（SOTA）。尤其在跨时段线索串联、长时跨度事件召回和个人习惯识别等复杂任务上，展现出显著优势。

学界长记忆探索的空白

此前学界在机器人记忆领域的探索主要分为四条路径：

1. 空间侧记忆（如三维场景图）：聚焦于“这里有什么”，善于表达当前世界切片，但缺少时间变迁；
2. 检测类记忆：关注“我见过什么”，但依赖相似度检索，无法回答物体当下是否依然存在；
3. 变化侧记忆（如 LT-Mem）：关注“物体变了没有”，利用易变性评分评估环境改变，但在多物体关联上仍有局限；
4. 操作侧记忆：聚焦“任务做到哪一步”，通过时序上下文提升执行成功率，但寿命通常以分钟计算。

但这四类路径仍留下三大核心空白：空间与操作侧割裂、记忆管理多依赖人工规则、以及记忆记录难以追溯到多模态原始证据。针对这些问题，BetaMem 提出了一套覆盖写入、留证与自改进的完整解法。

状态与证据分离的六层架构

BetaMem 的核心设计思想，是将记忆视为机器人对世界的“判断”，而非单纯的数据日志。系统解耦为三个底层结构：

• 时态状态图：记录系统当前判断的世界状态；
• 追加事件日志：记录状态演变的全过程；
• 源数据档案：按容量预算保留选定的原始图像与音频证据。

这一设计将“证据”（案卷）与“状态”（判决）严格分开。当需要推翻原有推断时，系统可以改判，但原始案卷无法涂改。每条状态记录均包含地点、坐标系、置信度、版本及生效时间区间。

在底层结构之上，BetaMem 构建了六层记忆体系：

• L0 工作记忆：存储当前感知、任务阶段和动作历史；
• L1 空间、L2 实体、L3 情景记忆：三者互相引用，一次情景事件可修订实体状态并绑定到具体地点；
• L4 经验记忆：提炼常识规律；
• L5 程序记忆：保存技能依赖、预期感知与失败恢复分支。

系统遵循“历史记录只是搜索线索，不是现状证明”的原则。当机器人需要确认钥匙位置时，会根据历史记录前往抽屉，通过最新观察追加新状态，从而彻底避免了对过往信息的盲信。

打通动作控制，实现记忆自我迭代

为避免规划与执行脱节，BetaMem 与世界动作模型 BetaWAM 部署在统一的计算大脑中，实现分工明确、状态共享。

在动作层，记忆分为两类：一是短时的动作感知记忆，如遮挡状态下的位姿跟踪或连续旋转拧盖的相位累计；二是跨回合的物理经验，例如特定柜门的开合技巧或湿滑物体的握持常识。这些经验沉淀为对象级条目，直接服务后续策略执行。

更为关键的是，BetaMem 改变了仅根据任务成败训练动作模型的范式，将记忆策略与动作策略纳入统一框架联合优化，并引入了递归自我改进（RSI）机制。

团队通过监督微调结合 GRPO 强化学习，训练小模型准确提取实体变化并惩罚幻觉。当任务失败时，系统追溯失败链条中的保留、检索或过期问题，生成局部规则修复，并通过历史回放评测决定是否发布更新，确保进化过程安全受控。

实验数据显示，在 M3-Bench-robot 的多细节、多跳逻辑和人物理解任务中，BetaMem 准确率分别领先参照基线 15.96、23.51 和 27.93 个百分点；消融实验证明，移除原始证据关联后系统准确率骤降 9.47 个百分点，且模型生成单条记忆动作的 Token 消耗下降了 47.3%。