具身长记忆迎来SOTA突破，LT-Mem与BetaMem双线并进推动机器人认知升级

国际机器人与自动化会议（IROS）2026年会于本月初在匹兹堡落幕，其最佳论文奖授予了LT-Mem——一项让机器人能在多次重访同一空间时完整保留物体位置变迁史的研究。该成果从近两千篇收录论文中脱颖而出，不仅因其技术扎实，更因它明确传递出学界共识：具身长记忆（long-term embodied memory）已不再是可有可无的附加模块，而是通用机器人实现持续作业能力的必要基础。

传统机器人系统往往仅保存最新一次观测结果，导致每次进入环境都如同初次见面。而LT-Mem通过引入“易变性分数”机制，动态判断新旧观测应覆盖、保留还是并存，有效缓解了“时间性失忆”问题。尽管测试场景限于3个环境共30次访问，且对高相似度物体识别仍有挑战，但其方法论为长期建图提供了可评测、可复现的路径。

与此同时，国内具身智能初创企业贝塔无限已在产业端同步推进。今年5月，联合创始人陶帅公开表示将“长效、多模态、时空记忆”列为首要攻关方向；10月20日，团队将BetaMem系统的核心机制——写入学习、证据管理与自我改进——整理成文发布于arXiv。该系统基于9B开源模型构建，参与M3-Bench-robot、LoCoMo、OpenEQA和EgoLifeQA四项主流记忆基准测试，全部取得SOTA成绩。

BetaMem的优势体现在对跨时段线索串联、长跨度事件回忆及个人习惯识别等任务上，这些能力直接关联机器人进入真实生活场景所需的持续认知积累。与LT-Mem聚焦“多会话建图”的单点突破不同，BetaMem从记忆生成、验证到失败修正构建了一套完整的系统底座，体现学术探索与产业落地的互补演进。

值得注意的是，记忆技术的突破不仅发生在机器人领域。10月20日，记忆张量（MemTensor）发布业内首个记忆原生基座模型MemT 1.0，包含MemT-1.0-Flash（288B参数）与MemT-1.0-Nano（36B参数）两个版本，成为当前最大规模的开源参数化记忆模型。

过去两年，主流记忆方案多为外挂式设计：依赖上下文窗口（激活记忆）、模型权重（参数记忆）或外部知识库（检索记忆）。三者各有瓶颈——前者成本线性增长且会话结束即清零；后者更新困难、不可编辑；检索式则需额外计算开销，且无法保证实时一致性。

MemT 1.0的创新在于将历史信息编码为可持续更新的内部记忆状态，使记忆成为模型推理过程中的原生组成部分。其架构在每个Transformer层插入“原生记忆块”，与标准注意力机制并行运行，支持动态写入、擦除与读取操作。技术报告指出，该设计将记忆从“数据存储问题”转化为“模型优化问题”，使模型真正具备从经验中持续学习的能力。

从技术谱系看，当前长记忆研究正呈现三条清晰路径：

第一类是空间关系建模，如Hydra、ConceptGraphs等三维场景图系统，将物体、地点组织为可查询的关系网络；Khronos与DynaMem进一步引入时间维度，支持动态环境更新，后者在真机非静止物体操作中达成70%成功率，较静态系统翻倍。但此类方法仍以“当前世界快照”为核心，缺乏对历史变迁的显式追踪。

第二类侧重检测型记忆，例如ReMEmbR将长时导航视频构建成可检索库，供智能体回溯参考。然而检索仅提供相似性排序，无法回答“此刻是否仍在”这类动态判断问题。

第三类即LT-Mem与BetaMem所代表的变化感知路径，关注“它是否变了”，通过身份一致性维护与状态演化建模，实现跨次访问的连贯认知。这一方向直指通用机器人落地的核心障碍：若无法区分“杯子被移走”与“杯子从未存在”，系统便难以建立可靠的世界模型。

表格数据显示，MemT-1.0-Flash在参数记忆类任务中全面领先，尤其在>64K长轨迹场景下平均得分达50.6，显著优于此前最优模型（如Doc-to-LoRA 30.9、SHINE 25.6）。其优势源于动态记忆容量（336M）与高效读写机制的结合，证明参数化记忆在超长上下文场景中的可行性。

行业层面，记忆能力的提升正加速具身智能从实验室走向现实。极狐问道V9近期OTA升级中新增“晕车舒缓驾驶模式记忆”，虽属轻量级用户偏好存储，却反映出汽车人机交互对个性化长期记忆的需求萌芽。而贝塔无限已推出首款机器人“多米”，结合BetaWAM动作模型与BetaMem记忆底座，初步验证了“感知-记忆-决策-执行”闭环的工程可行性。

挑战依然存在。首先是数据效率问题：现实世界每小时产生TB级多模态流，如何选择性编码关键事件而非全量存储？其次是纠错机制：一条错误记忆若未被及时发现，将在后续决策中被反复调用并放大偏差。LT-Mem提出“保留原始+冲突解决”策略，BetaMem则引入证据链验证与自我评估模块，MemT 1.0通过递归自我改进尝试从训练层面内化纠错能力——但尚无统一解决方案。

此外，记忆的伦理边界亦需厘清。当机器人持续记录人类行为模式并形成习惯预测，隐私保护与算法透明性将面临新考验。目前学界尚未就“记忆删除权”“记忆审计标准”等议题达成共识，相关规范滞后于技术发展。

总体而言，2026年下半年成为具身长记忆技术的关键转折点：顶会认可、产业落地与模型原生化三股力量交汇，推动该方向从边缘补充走向核心支柱。未来竞争焦点或将集中于记忆压缩比、跨模态对齐精度与在线纠错鲁棒性三大指标。对于希望构建真正“能记住、会学习、可信赖”的通用机器人的团队而言，长记忆已非选答题，而是必答题。