新闻/雷峰网·6 天前

IROS 2026最佳论文LT-Mem与BetaMem确立具身长记忆SOTA

IROS 2026最佳论文LT-Mem解决物体位置变迁记录难题；BetaMem构建六层时空记忆架构，基于9B开源模型在四项基准获SOTA，人物理解题领先27.93%，验证了长记忆从工程补丁向核心科学问题的范式转变。

AI 整理

• 感知与导航
• 数据与采集
• 具身模型

本文由 AI 根据公开内容整理，可能有误，请以原文为准：具身记忆赛道持续升温，长记忆迎来新 SOTA（雷峰网）

核心内容

IROS 2026将最佳论文奖授予LT-Mem，该研究通过易变性分数机制解决机器人“时间性失忆”问题，完整保留物体位置变迁史而非仅存储最新快照。同期，贝塔无限发布BetaMem全时空多模态记忆架构，采用Qwen3.5-9B开源模型生成记忆，在M3-Bench-robot、LoCoMo、OpenEQA和EgoLifeQA四项代表性基准中均取得SOTA成绩，标志着具身长记忆已成为学界与产业界收敛的核心技术方向。

BetaMem设计了包含工作、空间、实体、情景、经验及程序记忆的六层架构，将状态判断与原始证据分离，支持记忆写入学习与递归自我改进（RSI）。消融实验显示，去除来源证据后准确率下降9.47个百分点；经写入学习优化，入库动作规则符合率从50.9%升至86.2%，输出token消耗减少47.3%。在多细节、多跳及人物理解任务上，该架构分别领先最强基线15.96、23.51和27.93个百分点，有效支撑家庭场景下的长周期交互与多主体习惯识别。

关键看点

• LT-Mem获奖：IROS 2026最佳论文，利用易变性分数决定观测覆盖或并存，解决跨会话建图中物体位置变迁记录缺失问题
• BetaMem SOTA：基于9B开源模型，在M3-Bench-robot等四项记忆基准夺冠，人物理解与多跳推理分别领先基线27.93%和23.51%
• 六层记忆架构：解耦状态与证据，L0-L5分层管理工作记忆至程序记忆，支持带出处追溯与版本化回滚的记忆治理
• 写入学习增效：通过GRPO强化学习优化记忆生成，入库规则符合率达86.2%，单条记录Token消耗降低47.3%

工程与产业观察

具身智能正从单次任务执行转向长周期持续服务，长记忆成为跨越“工具”到“同事”鸿沟的关键。BetaMem将推荐系统的不确定性治理迁移至机器人，并通过RSI机制实现记忆策略的闭环进化，为家庭等非结构化场景提供了可追溯、可纠错的工程化记忆底座，指明了VLA之外的另一条具身认知增强路径。

来源

本页事实对应的公开页面，以原文为准。

1. 雷峰网：具身记忆赛道持续升温，长记忆迎来新 SOTA访问 2026-10-22