MFM：面向长程具身智能体的多模态文件系统记忆架构
原文标题：Multimodal Filesystem Memory For Long-Horizon Embodied Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 MFM，一种多模态文件系统记忆架构，将情节记忆、空间记忆、语义与程序记忆、工作记忆分层组织，并通过可检索文本记录关联底层多模态片段。在长程 Minecraft 与电脑操作任务中，MFM 配合 GPT-6-Astra 完成「从零挖钻石」，Ender Dragon 任务达成 24 个里程碑中的 16 个，优于最佳基线 12.7。CUABench-KiCad 平均奖励 0.440，高于基线 0.400 与无持久记忆的 0.267。
- 问题
- 长程具身智能体难以在保留细节的同时检索相关历史经验。
- 方法
- 分层多模态文件系统记忆，用可检索文本记录关联情节、空间、语义与工作记忆。
- 结果
- Minecraft 完成「从零挖钻石」，Ender Dragon 达成 24 个里程碑中 16 个；CUABench-KiCad 平均奖励 0.440 对基线 0.400。
- 影响
- 给出可直接落地的长程智能体记忆架构，兼顾检索效率与视觉空间细节保留。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MFM 用多模态文件系统分层组织记忆，配合 GPT-6-Astra 在 Minecraft 达成 24 个里程碑中的 16 个，优于最佳基线 12.7。
- •记忆分四层：情节记忆存观察/动作/结果，空间记忆关联位置，语义与程序记忆沉淀通用知识与可复用方法，工作记忆保存当前计划。
- •用可检索文本记录连接底层多模态片段，智能体可凭上下文线索找回旧经验并回看原始观察以补全文本缺失的细节。
- •长程 Minecraft 与电脑操作任务中在三个基座模型上均有提升；GPT-6-Astra 完成「从零挖钻石」，Ender Dragon 任务达成 16/24 里程碑。
- •CUABench-KiCad 平均奖励 0.440，高于基线 0.400 与无持久记忆的 0.267。
为什么重要：长程具身任务的关键矛盾是「全存难检索、摘要丢细节」，该架构给出可检索文本+原始多模态回查的折中方案。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。