跳转至

WorldLines: Benchmarking and Modeling Long-Horizon Stateful Embodied Agents

会议: EMNLP 2026
论文: ACL Anthology
领域: LLM Agent
关键词: 具身智能体, 长期记忆, 状态追踪, 部分可观测性, 任务规划

一句话总结

构建了首个面向长程动态家庭场景的状态化具身智能体基准 WorldLines,揭示了现有扁平文本与图记忆系统在状态覆写与细粒度事件定位上的根本缺陷,并提出了基于观察者门控与多轨类型化记忆的 ObsMem 架构。

研究背景与动机

让具身智能体在真实家庭环境中实现长周期自主服务,需要智能体不仅具备对过往多轮交互的语言记忆,更必须维持一个对物理世界动态演化过程的连贯状态感知。现实中的用户服务需求往往跨越数天并交织展开,深度依赖用户的日常生活惯例、物理对象放置位置的多次变迁、智能设备模式切换以及偶发事件的历史轨迹。例如用户在前天设定了周末咖啡机模式,昨天由于疲惫误操作修改了定时器,今天又口头提出了新的早餐要求;智能体要做出正确的响应与动作决策,必须跨越时间步将当前指令与过往日程、个人偏好、物理环境演变历史以及机器自身的执行反馈严密缝合。

然而,现有的学术基准将这一复合挑战割裂为两个互不连通的局部设定。一方面,纯语言类的长程智能体记忆基准(如 LoCoMo、LongMemEval 与 RealMem)虽然覆盖了跨会话检索、长期记忆更新与复杂多跳问答,但彻底脱离了真实的物理世界状态演进、机器人动作执行反馈以及物理环境的可执行约束;记忆在这些基准中仅仅沦为文本问答的静态语料,不承担驱动具身物理操作的职能。另一方面,现有的具身智能基准(如 ALFWorld、Habitat 3.0、PARTNR 与 BEHAVIOR-1K)虽然深入探索了视觉导航、物体重新排列与多智能体协作等物理操作,但大多被局限在极短的独立任务情节(short episodes)之内,世界状态在任务结束后被彻底重置,既不保留跨天历史,也不考察智能体能否利用长程交互经验来支持动态决策。

更致命的是,家庭环境具有天然的「部分可观测性」(partial observability):家庭成员可能在机器人视野之外悄悄移动物体,容器与电器的状态可能未经机器人直接目击就被改变,口头汇报的信息与实际物理状态可能存在偏差,先前建立的记忆状态极易被后续事件反复覆写。现有的扁平文本片段记忆检索系统(如 Mem0、A-mem、MemoryOS)在面对这种长程具身场景时全面失效,它们既无法区分直接目击事件、间接转述事实与未观测推断,也无法追溯物体位置和设备状态的历史演变轨迹,频繁在陈旧状态或粗粒度会话中产生严重幻觉。核心 idea:将记忆由单一文本检索组件重新定义为支撑物理世界状态追踪与证据溯源的基础设施,构建项目驱动的跨天状态化具身基准 WorldLines,并提出将事件证据、可变状态轨迹、认知信念与行动承诺显式解耦的观察者门控记忆架构 ObsMem。

方法详解

整体框架

WorldLines 与 ObsMem 构成了长程状态化具身智能研究的闭环体系。评估侧的 WorldLines 从物理落地的三维家居环境(Habitat/HSSD)出发,通过「项目候选生成 \(\rightarrow\) 跨天生活节拍规划 \(\rightarrow\) 日常会话意图编排 \(\rightarrow\) 闭环闭门导演-角色-执行器仿真」流水线,合成包含真实对话、物理动作、设备控制和状态演化的高保真长程轨迹,并通过严格的截断时间点(Cutoff)控制,程序化生成证据链完备的记忆问答(Memory QA)与具身任务规划(Embodied Task Planning)测试样本。

方法侧的 ObsMem 专为解决具身交互中的部分可观测性与状态易变性而设计,整体流水线划分为三个严格解耦的处理阶段:首先是观察者门控摄入(Stage 1),只允许机器人直接目睹的事件或通过对话明确转述的信息进入记忆,从源头阻断上帝视角的未来信息泄漏与未观测噪音;其次是类型化多轨记忆构建(Stage 2),将线性交互流解耦为不可变事件轨迹 \(E_t\)、结构化世界状态轨迹 \(S_t\)、认知信念状态 \(B_t\) 以及未来行动承诺 \(K_t\),并在情节边界进行渐进式摘要整合与冲突消解;最后是结构化路由检索与状态约束推理(Stage 3),通过预测查询意图与状态属性,将检索分流到特化的记忆视图,提取紧凑的互补证据子集以驱动下游状态感知问答与无前置冲突的物理动作序列生成。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    IN["跨天多会话家庭交互流<br/>(对话 / 人类动作 / 设备交互 / 动作反馈)"] --> D1["观察者门控与多轨类型化存储<br/>可见性过滤并解耦事件 Et / 状态 St / 信念 Bt / 承诺 Kt"]
    D1 --> D2["认知信念动态衰减与冲突消除<br/>跟踪观察源与中介干扰,标记 fresh / stale / uncertain / contradicted"]
    D2 --> D3["意图驱动的分层检索与证据优选<br/>查询计划路由至对应类型视图,优选互补证据 Top-5"]
    D3 --> D4["状态前置条件约束与可执行具身规划<br/>结合真实世界状态 St 与信念 Bt,生成无冲突动作序列"]
    D4 --> OUT["状态感知具身决策与问答回答<br/>(Memory QA / Embodied Task Planning)"]

关键设计

1. 观察者门控与多轨类型化存储:解耦不可变事件流与可变物理世界状态

传统智能体记忆往往将所有历史文本切片平铺在向量数据库中,这在具身场景中造成了严重的本体论混淆:过往发生过的具体事件是永恒不可更改的历史事实,但物体当前的空间位置或电器的开关状态却是随着时间推移被不断覆写的可变物理量。将两者混为一谈会导致智能体在检索时分不清「过去某刻曾发生过什么」与「当前现实世界到底是什么状态」。针对这一痛点,ObsMem 首先引入形式化的观察者门控机制:对于时间步 \(t\) 的任意物理事件 \(o_t = (x_t, \tau_t, \ell_t, A_t, V_t)\)(包含事件内容 \(x_t\)、时间戳 \(\tau_t\)、位置锚点 \(\ell_t\)、参与实体 \(A_t\) 及观察者集合 \(V_t\)),机器人 \(r\) 仅摄入自身可见的直接观测,或非机器人实体在可见对话中明确转述的信息: $\(\Phi(o_t) = \begin{cases} \{e_{\text{obs}}^t\}, & r \in V_t \\ \emptyset, & r \notin V_t \end{cases} \;\cup\; \mathbf{1}[utt(o_t) \land actor(o_t) \neq r] \{e_{\text{rep}}^t\}\)$

通过此门控后,ObsMem 在内部维持四条独立运作的类型化记忆轨道 \(M_t = (E_t, S_t, B_t, K_t)\)。事件轨道 \(E_t\) 是纯追加(append-only)的不可变事件账本,忠实记录物理发生过的一切微观动作;状态轨迹 \(S_t\) 则专职处理实体属性变化,每当检测到可执行动作或状态变迁,即写入结构化状态更新元组 \(\Delta_t = (i, a, v_{\text{old}}, v_{\text{new}}, \tau_t, s_t)\),记录实体 \(i\) 的属性 \(a\) 在时刻 \(\tau_t\) 由来源 \(s_t\) 从旧值 \(v_{\text{old}}\) 覆写为新值 \(v_{\text{new}}\)。这种机制不仅完整保留了实体当前的最新全局快照,更维护了完整的历史状态跃迁链条,彻底攻克了传统系统在面对「物体被多次转运」时必然发生的空间混淆问题。

2. 认知信念动态衰减与冲突消除:显式建模部分可观测性下的不确定性与陈旧状态

在非完全可观测的动态家庭中,智能体不能盲目坚信「眼见即永恒为真」;一旦智能体离开房间或时间大幅推移,其他家庭成员完全有可能改变物体位置或设备配置。扁平记忆系统由于缺乏认知不确定性表达能力,在面对视野外发生的变动时只能产生确定性幻觉。ObsMem 创新性地引入了认知信念轨道 \(B_t\),为每个追踪的实体属性状态赋予可动态演化的信念置信度 \(z_t(i, a)\)。当实体属性直接由机器人最新目睹时,信念被标记为最新(fresh);而随着后续未被机器人直接监控的中介事件流 \(I_t\) 与涉及的其他行动者 \(A_t\) 不断累积,置信度依据衰减函数平滑下降: $\(c_t = c_0 \cdot \exp(-\alpha n) \cdot (1 - \beta I_{\text{conflict}})\)$ 其中 \(n\) 为中介事件步数。依据预设的严格阈值,信念状态被显式离散化为四种明确的认知等级: $\(z_t(i, a) = \begin{cases} \text{contradicted}, & |C_t| > 0 \\ \text{uncertain}, & |I_t| \ge \lambda_I \lor (|I_t| \ge \lambda_m \land |A_t| \ge \lambda_A) \\ \text{stale}, & |I_t| > 0 \lor \rho_t \neq \text{observed} \\ \text{fresh}, & \text{otherwise} \end{cases}\)$ 在每个日常会话(Episode)收尾边界,ObsMem 启动渐进式情节整合器(Progressive Episode Consolidation),将缓冲区内的微观事件合成为结构化情节卡片,提取因果关联、人际承诺与全局关系事实,并执行跨会话冲突消解。这种机制赋予了智能体罕见的「知其不知」元认知能力,使智能体能够精准识别未观测状态并主动表达怀疑,避免基于陈旧虚假信息冒进规划。

3. 意图驱动的分层检索与证据优选:跨越粗粒度会话召回与细粒度事件定位的断层

大量实验揭示,主流智能体记忆系统往往具备较高的粗粒度会话命中率(Session Any@5),但细粒度关键事件召回率(Event R@5)却极度低下;面对冗长繁杂的家庭日志,朴素的向量最近邻检索极易被高频出现的日常习惯或表面相似的文本干扰项吸引,从而错失真正发生状态变更的那一条微观操作。针对检索断层,ObsMem 彻底摒弃单路扁平搜索,提出了意图驱动的结构化查询计划器与证据优选机制。面对输入查询 \(q\),系统首先解析出紧凑的显式检索计划: $\(p_q = (\eta_q, I_q, A_q, T_q)\)$ 其中 \(\eta_q\) 表示查询意图类型(当前物理状态、过往事实追溯、认知信念查询、承诺日程追踪或具身规划),\(I_q\) 为目标实体,\(A_q\) 为待查询物理属性,\(T_q\) 为时间约束。

检索路由器根据预测的查询意图,将检索请求精确分发至专门的记忆视图:针对「笔记本电脑现在在哪」等当前状态查询,直接定向到状态轨迹 \(S_t\) 获取最新快照;针对「昨天谁动了杯子」等历史事件查询,联合检索事件账本 \(E_t\) 与整合情节卡片;针对带有不确定性或权限验证的提问,则调取信念记录 \(B_t\)。分流检索得到的各模态候选证据随后被送入基于大语言模型的证据优选器(Evidence Selector)。优选器强制执行最大 Top-5 的严格上下文预算,并且显式偏好具备时序互补性、实体一致性与因果链条闭合的证据组合,将松散的候选记录重构为逻辑紧凑的证据事实束,从根本上消除了检索阶段引入的不相关语义噪声。

4. 状态前置条件约束与可执行具身规划:将长期记忆转化为物理可行且状态一致的动作序列

记忆的终极价值在于指导物理世界的正确行动,而非止步于回答语言问答。在多步长程具身规划任务中,智能体不仅要记住目标物体的当前归属,更必须结合自身手部载荷、容器开闭状态、电器电源档位等一系列复杂的物理前置条件进行因果约束验证。若智能体无法调取精准的最新状态,极易生成「直接从关闭的冰箱中抓取苹果」或「在双手持物时尝试开门」等物理不可执行的幻觉动作。ObsMem 将类型化世界状态 \(S_t\) 与信念边界 \(B_t\) 作为显式前置条件注入具身规划器,与系统内置的严格动作空间(navigate_to、inspect、pick、place、open、close、set_device_state、handoff)强力对齐。

在生成动作轨迹时,规划器执行实时的可执行性与前后置因果拓扑验证:执行抓取必须确保位于同一房间且双手处于空闲;执行容器内存取必须优先调度开启指令;对智能设备下达指令必须核验支持的合法键值对。由于 \(S_t\) 始终提供确凿的最新物理拓扑,智能体无需在行动前对整屋进行无意义的盲目探索或漫无目的的全景重扫描,而是能够直接沿最优路径导航至目标物品的真实所在位置,实现了长期记忆沉淀与即时物理行动链条的高效协同。

评估基准与实验设计

WorldLines 基准构建在 Habitat/HSSD 仿真家庭场景之上,精选了交互式物体、容器与可控智能设备,并建立了支持可执行性与可达性验证的场景图(Scene Graph)语义视界。基准设计了涵盖家庭日常习惯、生活习惯支持、家庭整理收纳、健康生活、膳食准备、工作学习支持、数字设备协调以及家庭舒适休闲等 8 大核心生活主题(Project Types)。整个生成管线采用项目驱动的跨天仿真:在第 \(d\) 天,基于全局环境 \(W\)、活跃项目集 \(P_d\)、前日累积物理状态 \(S_{d-1}\) 以及前向结转备忘录 \(N_{<d}\) 驱动导演与角色生成事件,并由确定性物理执行器验证物理前置条件与空间可达性后方可落地为真实世界演变。

每个测试样本均拥有极其严格的截断时间点 \(c_i\),待评测智能体仅能观测截断点之前的可见交互流 \(H_{<c_i}\) 与当前任务指令 \(q_i\);其真实世界状态 \(S_{c_i}\) 与黄金证据链 \(E_i\) 被严格隔离,仅在评测阶段用于打分,绝对杜绝未来信息穿越。基准共构建了 310 个高难度 Memory QA 样本(涵盖单跳状态推断 StateSingleHop、多跳状态变迁追踪 StateMultiHop 以及时序记忆 TemporalMemory)与 21 个高密度具身任务规划样本(平均每例包含 7.6 个目标动作步骤与 3.1 个显式记忆物理状态约束),由 GPT-4o 作为独立评委,配合涵盖 0–3 分梯度的细粒度打分细则(评分 3 表示完全正确且逻辑一致,0 表示事实冲突或出现严重幻觉),并在 80 个样本上完成了 5 名人类专家的交叉验证(Fleiss' \(\kappa = 0.71\),人类一致率达 87.5%)。

实验关键数据

主实验

在 WorldLines 的 310 个 Memory QA 核心测试集上,ObsMem 与当前最具代表性的长期记忆系统(包含官方开源的 A-mem、Mem0、MemoryOS,以及知识图谱增强的 GraphMem、Graphiti、HippoRAG2)进行了全方位对比。所有系统均统一采用 gemini-1.5-flash 作为底层回答生成模型,最终传递给生成器的上下文严格限制为各自检索出的 Top-5 记录。评测指标包括大模型裁决得分(Judge,0–1 归一化)、完全正确率(Perfect Rate)、粗粒度会话命中率(Session Any@5)、细粒度事件证据召回率(Event R@5)以及各子类别的诊断得分。

方法 (Method) Judge ↑ Perfect ↑ Sess. Any@5 ↑ Event R@5 ↑ StateMH-J ↑ StateMH-E ↑ StateSH-J ↑ Temp-J ↑
MemoryOS (Kang et al., 2025) 0.312 29.0% 0.452 0.085 0.287 0.086 0.350 0.308
GraphMem (Hu et al., 2026a) 0.457 38.7% 0.806 0.243 0.529 0.184 0.417 0.359
Mem0 (Chhikara et al., 2025) 0.554 53.2% 0.823 0.378 0.598 0.264 0.550 0.462
A-mem (Xu et al., 2026b) 0.575 53.2% 0.839 0.355 0.540 0.216 0.550 0.692
HippoRAG2 (Gutiérrez et al., 2025) 0.613 53.2% 0.774 0.274 0.621 0.172 0.600 0.615
Graphiti (He et al., 2025) 0.642 58.1% 0.806 0.331 0.356 0.158 0.383 0.627
ObsMem (本文方法) 0.713 69.0% 0.879 0.537 0.762 0.452 0.667 0.667

在更具挑战性的长程具身任务规划探针实验中,智能体必须利用长期记忆恢复家庭世界状态,规划出符合物理因果逻辑与环境前置条件约束的多步动作序列。评测涵盖综合规划得分(Plan Judge)、物理状态一致性(State Consistency)、动作前置条件合法性(Precondition Validity)、长期记忆有效利用度(Memory Use)与动作因果拓扑序(Action Order)五大维度。

方法 (Method) 样本数 (N) Plan Judge ↑ State Consistency ↑ Precondition Validity ↑ Memory Use ↑ Action Order ↑
MemoryOS 21 0.337 0.361 0.376 0.319 0.352
GraphMem 21 0.481 0.493 0.507 0.462 0.496
Mem0 21 0.526 0.551 0.563 0.512 0.535
A-mem 21 0.542 0.566 0.581 0.524 0.553
ObsMem (本文方法) 21 0.684 0.721 0.702 0.690 0.676

消融实验

为了精准量化 ObsMem 内部各个架构机制的核心贡献,论文在包含 62 个代表性样本的诊断子集(涵盖 29 个 StateMultiHop、20 个 StateSingleHop 与 13 个 TemporalMemory)上执行了逐组件剔除实验。此外,还在 6 个涉及视野外未观测变动的隐藏样本上评测了隐蔽状态判断得分(Hidden Judge),并记录了单次查询的平均端到端延迟(Latency,秒)。

实验配置 (Variant) 剔除组件 (Ablated Component) Judge ↑ \(\Delta\)Judge Perfect ↑ Event R@5 ↑ Hidden Judge ↑ Latency (s) ↓
完整模型 (w/ Full ObsMem) 无 (None) 0.699 — 66% 0.563 0.278 8.82
w/o Belief 移除认知信念视图检索 0.651 -0.048 63% 0.558 0.000 8.63
w/o State 移除结构化世界状态检索 0.597 -0.102 56% 0.532 0.111 8.95
w/o Consolidation 禁用情节渐进整合与冲突消解 0.554 -0.145 53% 0.419 0.167 9.16
w/o Selector 移除大模型证据优选重排器 0.435 -0.264 40% 0.466 0.000 5.54

为确立基准难度的理论上下界,论文进一步测试了三种对照组基线(Context and Oracle Controls):

对照组方法 (Control Baseline) Judge ↑ Perfect ↑ Sess. Any@5 ↑ Event R@5 ↑ 核心配置说明
Grep+LLM 0.349 16.0% 0.306 0.165 关键词规则初筛最多15条事件送入生成器
FullContext 0.758 74.2% — — 忽略检索,将全部截断前可见历史灌入大模型
Oracle Evidence 0.952 90.3% 1.000 1.000 完美作弊:仅向大模型输入标注的黄金证据链

关键发现

  • 粗粒度会话命中不等于具身证据找回:如表 2 所示,A-mem 与 Mem0 的会话级命中率(Session Any@5)分别达到了 83.9% 和 82.3%,说明它们很容易根据语义相关度摸到发生事件的大致会话;然而它们在最具挑战性的多跳状态事件级召回率(StateMH-E)上仅有 21.6% 与 26.4%,而 ObsMem 达到了 45.2%(提升近一倍)。这证明扁平文本检索在面对冗长会话内部交织的物体转移与开关操作时,完全丧失了提取微观状态跃迁因果链的能力。
  • 证据优选器(Selector)是抗幻觉的核心支柱:在消融实验中,去掉大模型证据优选器导致综合得分暴跌 0.264(0.699 \(\rightarrow\) 0.435),完全正确率直接从 66% 跌落至 40%。这证明在多种类型化记忆并存的复杂系统中,若仅按向量相似度将原始候选项平铺输入,模型极易被表面相似的陈旧干扰项带偏;必须依赖优选器主动挑选具备因果互补性的最小完备证据子集。
  • 信念轨道(Belief Track)是攻克部分可观测性的唯一解:当去除 Belief 模块时,模型在普通 QA 上的总体得分仅轻微下滑 0.048,但在考验智能体能否识别「物体已在视线外被悄悄移走」的 Hidden Judge 指标上直接断崖式归零(0.278 \(\rightarrow\) 0.000)。这意味着缺乏显式不确定性与观察来源追踪的智能体,面对未被直接确认的陈旧状态具有 100% 的盲目自信与幻觉倾向。

亮点与洞察

  • 类型化解耦重塑具身记忆范式:ObsMem 首次在具身长程记忆中将「不可变的历史事件流」与「可变且会被覆写的物理世界状态」在物理存储层面彻底分开。这一设计彻底解决了大模型在面对「前天放在茶几、昨天被收进抽屉、今天又被拿到沙发」的多跳状态更新时,频繁将早期历史状态误认为当前物理状态的顽疾。
  • 观察者门控与元认知不确定性建模:该工作跳出了传统记忆系统默认拥有「全局上帝视角」或将所有对话等同于客观事实的幼稚假设,通过门控机制将直接目击、语言转述与视野外盲区显式分流,结合时间与中介事件衰减让智能体学会了物理世界中最难得的「知其不知」。
  • 从记忆检索到具身因果执行的真正闭环:该研究没有局限于生成文本答案,而是将记忆直接连通到具备物理几何与因果约束的具身动作空间中。实验证明,结构化的状态轨迹不仅能够提升 QA 表现,更能直接压制具身规划中的前置条件冲突率(由基线的 40%+ 降至 29.8%),为构建真正可靠的长期家政机器人提供了极具指导意义的参考架构。

局限与展望

  • 仿真环境与真实物理感知落差:当前 WorldLines 的长程轨迹生成与评测主要建立在 Habitat/HSSD 模拟器中,所使用的输入轨迹高度依赖结构化的实体 ID、离散动作模式与清晰的观察者可见性标注。而在真实的物理机器人部署中,现实世界存在严重的视觉感知噪点、遮挡误检、开集物体识别错误以及连续动作执行偏差。未来工作需要探索将 ObsMem 架构与开集三维多模态场景图(Open-vocabulary 3D Scene Graphs)及端到端视频感知流的深度融合。
  • 复杂多轨架构引入的推理延迟与成本:从消融与效率分析可知,ObsMem 单次查询的平均延迟约为 8.82 秒,显著高于 A-mem(3.35 秒)与 Mem0(4.57 秒)。这主要是由于其在检索阶段必须经过查询意图解析、多轨分流检索以及大模型证据优选等多轮顺序调用。在需要高频敏捷响应的实时物理人机协作中,该延迟仍显过长;如何将类型化路由与优选网络轻量化或蒸馏为端到端小模型是后续工程落地的关键挑战。

相关工作与启发

  • vs 纯对话长程记忆基准 (LoCoMo, LongMemEval, RealMem):这些工作奠定了大语言模型在跨多轮长会话中进行事实召回与用户画像记忆的评测范式,但其本质是静态的无物理具身约束文本。WorldLines 则首次将长程多天记忆置于动态具身物理世界中,要求智能体追踪物理物体的空间移位与受约束智能设备的控制状态,并考察记忆对下游物理动作序列生成的影响。
  • vs 经典具身交互基准 (ALFWorld, Habitat 3.0, PARTNR, BEHAVIOR-1K):现有的具身模拟器与任务基准专注于单次任务情境内的物理交互、导航避障与短程规划,各个任务回合之间状态互相独立且重置。WorldLines 填补了跨天、多主题生活项目长周期物理状态延续性的空白,首次让具身智能体面临记忆衰减与状态反复覆写的现实挑战。
  • vs 现有智能体记忆框架 (Mem0, A-mem, Graphiti, HippoRAG2):Mem0 与 A-mem 依赖扁平文本片段的动态重写与向量检索,极易在状态更新中丢失原始细粒度上下文;Graphiti 与 HippoRAG2 依靠知识图谱或实体共现边建立关联,但在具身场景下容易被高频无害实体(如 common nouns)诱导建立虚假连接。ObsMem 通过观察者门控与多轨类型化解耦,在保留微观事件因果的同时,为物理世界状态建立了显式的状态跃迁轨迹,实现了更高的细粒度事件召回与状态一致性。

评分

  • 新颖性: ⭐⭐⭐⭐⭐ 首次提出将状态追踪、部分可观测性与长程具身物理规划深度结合的智能体记忆基准,解耦物理状态与事件流的设计极具启发性。
  • 实验充分度: ⭐⭐⭐⭐⭐ 涵盖 310 个精细 QA 样本与 21 个高密度动作规划样本,对比 6 种主流基线并包含完备的消融、控制组与人类交叉验证。
  • 写作质量: ⭐⭐⭐⭐⭐ 动机阐述深刻,问题界定清晰严谨,数学公式与流水线框架图表意明确,实验分析切中要害。
  • 价值: ⭐⭐⭐⭐⭐ 为长程家庭服务机器人与状态化具身智能体提供了极高价值的评测基准与架构标杆,有效推动了记忆系统由静态文本向动态物理现实的跨越。