回声记忆：行动世界模型中记忆的对照研究

我们提出了 \textbf{Echo-Memory}，这是一项针对动作条件世界模型中的记忆机制的对照研究。这些模型从第一帧、文本提示和相机动作序列生成多段视频，但它们的核心故障通常是内存而不是本地图像合成：在相机离开和返回后，场景或显着物体可能会悄然发生变化。现有的记忆设计很难比较，因为增益与主干、训练、检索和评估差异交织在一起。 Echo-Memory 修复了动作到视频的接口，仅改变了生成器存储和读取历史记录的方式。在共享视频扩散主干、优化器、相机动作表示、采样器和评估管道下，我们比较原始上下文、基于压缩的内存、具有不同读出路径的空间摘要以及状态空间递归。该匹配矩阵将四个其他合并轴分开：\emph{容量}、\emph{压缩}、\emph{读出}和\emph{重复率}。我们还通过三分支协议评估内存：重放质量、域内循环重访和开放域返回探测。这些分支通常存在分歧，这表明重播保真度并不足以代表记住一个世界。以下是三个发现。原始上下文是强大的容量基线，它对开放域回报的改善远远超过对重播指标的改善。紧凑性并不是容量的免费替代品：激进的空间和混合压缩记忆会失去返回所需的显着证据。最后，逐块状态空间递归是我们矩阵中最强的开放域返回机制，这表明内隐记忆的结构与使用它的决定一样重要。这些结果为研究行动世界模型中的记忆提供了一个紧凑的协议，超越了孤立的重放指标。