26年9月来自浙大、中南大学和中科院软件所的论文"EmbodiedMemory-Bench: Benchmarking Embodied Memory for Long-Horizon Embodied Tasks"。
它的主要贡献在于建立具身记忆的评测体系，并证明结构化记忆能够改善行动决策；模型方法本身属于设计清晰、效果可观的系统整合，尚未解决真实环境中的长期记忆问题。
一、论文解决什么问题
作者认为，具身智能体需要记住的不只是"看见过什么"，还包括：
物体现在在哪里，之前的位置是否已经失效；
动作失败揭示了哪些视觉上看不到的约束；
多次交互和纠正能否形成可迁移的经验。
例如，"抽屉打不开"既是一次动作结果，也是后续规划应当遵守的环境约束。如果系统只保存画面或对话摘要，就可能再次执行同样的失败动作。
如图 1 所示文本中心型记忆、多模态记忆与具身记忆的比较。具身记忆将视觉观察、动作及反馈联系起来，形成因果交互历史，从而支持在不断变化的物理世界中执行后续任务。
论文包含三个层次的成果：
如图 3所示EMem-Bench 概览。其代表性示例涵盖了细粒度视觉记忆、动态世界状态追踪、通过交互记录世界状态以及经验泛化。
如图 4 所示EMem-Bench 的构建流程。每个实验回合（episode）结合基于实际环境的场景、特定任务的记忆线索以及干扰轨迹，随后进行自动验证与人工审核。
如图 6 所示EMem 架构。场景记忆存储视觉上下文，空间记忆维护当前物体状态，事件记忆记录交互过程及可复用的经验。
如下算法 1 是EMem 写入-检索-动作循环：
如图 11 所示EMem-Bench 在一个典型的"动态追踪"（Dynamic Tracking）任务片段上的人工审核界面。左侧队列用于在固定的任务清单（manifest）中定位特定片段，会话图（session map）则保留上下文与噪声的边界信息。中间区域通过放大显示的观测画面、动作-反馈对以及完整的 75 步时间轴，将目标状态与终止条件进行对齐；其中高亮显示的步骤记录"书"（Book）从原先所在的"箱子"（Box）位置移动到"书桌"（Desk）的过程。右侧面板记录了针对各项标准的判定结果、引用的证据步骤、备注信息以及最终的发布决策。模拟器验证模式利用同一工作区执行符合基准规范的动作，并实时查看任务进度及终止状态的判定情况。
二、方法要点：先积累经历，再用记忆完成任务
每个评测样本包含历史交互轨迹、后来给出的目标任务，以及可执行动作集合。智能体必须从过去的图像、动作和反馈中恢复关键信息，再通过实际行动完成任务。
四类任务分别是：
任务在 AI2-THOR 和 ProcTHOR 中构建，通过规划器插入无关活动，拉开关键线索与目标任务的距离。作者还进行了可执行性、线索泄漏等自动检查和人工审核。
主要指标是任务成功率 SR，整体成绩为四类任务的等权平均。另设错误复现率 ERR，衡量智能体是否犯下历史信息本应帮助其避免的错误。
这里需要明确：论文的"长时程"主要体现在历史输入很长，而后续目标任务最多只有 8 步动作。 四类历史平均约为 72---113 步，因此它更准确地测量"长历史条件下的记忆驱动执行"。
三、模型框架：三类记忆与一个闭环
EMem 的核心是多模态模型负责决定"记什么、查什么、怎么行动"，外部后端负责实际存储、更新和检索。它不是全新神经网络架构，也不是端到端机器人控制模型。
三类记忆的分工如下。
其中几个实现细节尤其重要：
1 写入时不知道未来任务。
模型按时间顺序处理历史，只能依据当前观察和反馈保存信息。这避免了提前知道目标后，有针对性地整理答案。
2 空间记忆执行显式状态替换。
当书的新位置是桌子时，后端删除与之冲突的旧位置关系，同时保留不冲突的属性。动态追踪的改善，部分来自这一明确的工程机制。
3 检索以结构化匹配为主。
先按场景、实体、关系、动作等过滤，再进行精确匹配和词汇匹配，语义相似度作为补充。每次查询主要返回最多 12 条记录。
4 执行后继续更新记忆。
动作失败、不可执行或状态发生显著变化时，中断剩余计划，重新检索并规划。
EMem-8B 则通过监督微调学习三类输出：记忆写入、记忆查询和动作生成。附录报告共 93 条母轨迹、8,852 个监督轮次，使用 LoRA 微调一个 epoch。它学习的是记忆工具使用策略，后端的关系替换和检索机制仍由程序实现。
四、实验支持了什么贡献
最有说服力的贡献有三点。
首先，评测把记忆与实际行动结果联系起来。
仅能回答"书在哪里"，不代表能正确取回书。该基准要求通过模拟器中的最终状态判断成功，比单纯问答更接近具身任务需求。
附录的历史干预实验也支持这种设计。对同一组 800 个任务，GPT-5.4-mini 的成绩为：
这说明历史线索整体上确实有用，而"从复杂历史中恢复关键事实"是明显瓶颈。
其次，结构化记忆在多个骨干上产生了较大收益。
这里应区分两部分收益：Qwen3-VL-8B 加入外部记忆带来 10.8 个百分点，进一步训练记忆操作又带来 9.8 个百分点。
再次，消融结果支持三类记忆具有互补性。
完整系统为 58.9%；分别移除空间、事件、场景记忆后，降至 47.9%、46.9%、47.3%。事件记忆对失败处理与经验泛化尤其重要，场景记忆对被动观察尤其重要。
但 EMem 并非所有设置下都最优：它在同一 GPT-5.4-mini 骨干的记忆系统比较中平均成绩最好，仍低于论文中 Gemini-3-Flash 的 64.2%；动态追踪单项也低于 TeleMem。
五、主要问题与结论边界
- 基线与 EMem 的信息处理和计算量不完全对齐。
标准 full_context 基线接收完整历史文字和当前图像，没有完整历史 RGB；EMem 则逐步读取历史 RGB，并额外调用模型整理记忆。
因此，相对标准基线的提升同时包含：
历史视觉信息的利用；
额外推理计算；
结构化存储和状态更新；
检索与执行流程的改变。
论文增加了"尽量塞入历史图像"的实验，但这不足以隔离上述因素。更有说服力的比较，应统一历史信息、总模型调用预算及执行控制器，再比较不同记忆结构。
- "增加上下文无效"的结论应收窄。
在 GPT-5.4-mini 的 800 个任务上，增加大量历史图像使 SR 从 36.6% 降至 26.2%，输入量和延迟明显增加。
这支持：对该模型和输入策略，无选择地追加历史图像效果不好。
它并不能证明更长上下文本身无用，也不能排除关键帧选择、分层视觉摘要或更强视频理解模型的收益。
- 记忆依赖性在四类任务中并不均衡。
表 12 有一个值得重视的细节：交互失败任务中，GPT-5.4-mini 在正确历史、只有当前观察、移除线索时分别为 19.0%、19.0%、20.5%。
也就是说，宏观平均上的线索效应明显，但这一任务族没有呈现相同趋势。可能是执行瓶颈掩盖了历史作用，也可能存在探测设计或信息利用问题，需要进一步拆解。
即便直接给出正确事实，该任务族也只有 48.0% 成功率，说明其困难不能全部归因于记忆检索。
- 最新观测覆盖旧状态，在噪声环境中可能出错。
目前的机制隐含假设：新写入的关系足够可靠。如果模型把物体认错，一次错误观察就可能覆盖原本正确的位置。
论文尚未充分处理：
新旧证据冲突；
观察置信度；
状态随时间失效；
同一房间内多个同类物体；
物体跨房间移动后的身份连续性。
这些是从模拟器走向真实机器人时的关键难点。
- 经验泛化主要是局部规则迁移。
将刀、勺的收纳纠正迁移到叉子，证明了从少量案例归纳家庭规则的能力。但这距离复杂技能迁移还有明显差距，例如多步骤操作、条件性规则、规则冲突和失败恢复策略。
事件记录也保留了动作与结果的联系，但论文没有建立严格的因果模型，不能把它直接理解为已具备因果推理能力。
- ERR 存在解释限制。
附录说明，当前所有任务的主要记忆决策点数都是 1，因此 ERR 实际上接近"本任务是否至少触发一次指定错误"的比例。重复犯一次和多次错误，最终都计为 1。
此外，无效动作、执行失败等另行统计，不一定触发 ERR。于是，低 ERR 不必然代表记忆好，也可能是智能体没有有效执行到触发错误的步骤。 应与 SR 和无效动作率联合分析。
- 长期学习与训练收益的证据仍有限。
每个 episode 的记忆都从空开始，尚未测量跨任务、跨天的持续积累、遗忘和污染。训练数据也只有 93 条母轨迹，不能把 8,852 个监督轮次视为同等数量的独立经历。
跨基准中 EB-ALF 提升 5 个百分点较有意义；其他通用多模态基准变化较小，缺少相应不确定性分析，不宜据此作很强的泛化判断。
六、未来最值得推进的工作
可以按以下优先级推进。
如果以此为基础开展一篇后续研究，我最看好 "具有置信度与有效期的具身记忆，以及由记忆不确定性触发的主动验证"。
具体可以让每条事实保存"内容---对象身份---来源---时间---置信度"，遇到矛盾时保留多个假设，并让智能体权衡重新观察的成本与直接行动的风险。实验则控制物体移动频率、感知错误率和记忆陈旧程度，同时报告成功率、错误覆盖率、重复失败次数及额外观察成本。
这条路线直接针对本文"最新记录就是当前事实"的薄弱环节，也能把研究从保存和检索经历推进到判断记忆是否仍然可信，并据此行动。