OCC4M：以对象为中心的 4D 内存，用于长视野操作中的时空推理

长视野操作通常需要对当前视图中不存在的状态进行推理，例如消失的对象的位置、时间身份或打乱的容器的内容。我们提出了 OCC4M（“Occam”），一种以对象为中心的 4D 内存，它在共享世界框架中维护持久轨迹，并明确表示时间、运动和包含关系。视觉语言模型 (VLM) 查询此结构化内存以选择可操作的目标，以进行无历史记录的低级执行。在 7 个模拟条件和 350 个场景中，OCC4M 实现了 96.6% 的内存成功率和 88.9% 的端到端成功率，而 FrameSamp 的成功率分别为 54.6% 和 57.7%，FrameSamp 是使用 Gemini 3.7 Flash 的原始历史 VLM 基线，具有完整的观察历史记录和相同的执行器。在受控视点转移测试中，OCC4M 在视点变化后仍保持 100% 的内存和 98% 的端到端成功率，而全历史 FrameSamp 的成功率几乎为零。在 20 个固定摄像机 Franka 片段中，OCC4M 的联合记忆准确度达到 85%，而 FrameSamp 的联合记忆准确度最多为 30%，跨上下文大小从 $K=16$ 到完整历史记录，并完成了完整两阶段任务的 45%。这些结果支持显式的以对象为中心的记忆，用于长视野操作中的持久时空推理。此 https URL 提供定性视频。