MemoWM：世界模型如何改变智能体需要记忆的内容

arXiv:2610.10778v1 发布类型：新 摘要：长期运行的智能体在不断积累经验的过程中，面临日益增长的存储需求。世界模型能够捕捉可复用的规律，从而减少为每条经验存储的信息量。我们提出了以世界模型为条件的记忆分配问题，并引入 MemoWM：一个利用共享预测来压缩保留信息并重建省略内容的框架。其任务感知的分配规则在重建错误的预期影响与存储成本之间取得平衡，保留那些具有预测先验之外下游价值的信息。在五个长期智能体记忆基准测试中，MemoWM 达到 42.42\% 的平均答案准确率，比最强基线高出 2.62 个百分点；与此同时，相较于存储效率最高的基线 MIRIX，平均特定经验存储量减少了 53.9\%。进一步分析表明，在任务质量相当的情况下，更强的世界模型能够降低每条经验的存储量。将模型参数纳入考量后，我们发现共享模型容量与反复产生的存储成本之间存在权衡；随着保留的交互数量增加，使总存储量最小化的模型容量也会随之增大。我们的代码可在 https://github.com/Feld-maxiu/MemoWM 获取。