MemoWM：世界模型如何改变智能体需要记住的内容

长期代理随着经验的积累，面临着不断增长的存储需求。世界模型捕捉可重用的规律，可以减少为每次体验存储的信息。我们提出了以世界模型为条件的内存分配问题，并引入了 MemoWM，这是一个使用共享预测来压缩保留信息并重建省略内容的框架。其任务感知分配规则平衡了重建错误的预期影响与存储成本，保留了超出预测先验的下游价值的信息。在五个长期代理内存基准测试中，MemoWM 的平均答案准确率达到 42.42%，比最强基准高出 2.62 个百分点，同时相对于存储效率最高的 MIRIX 基准，平均体验特定存储减少了 53.9%。进一步的分析表明，在可比较的任务质量下，更强大的世界模型会减少每次体验的存储量。考虑模型参数揭示了共享模型容量和经常性存储成本之间的权衡，其中容量最小化了总存储成本 随着更多交互的保留，存储量也会增加。我们的代码可在 https://github.com/Feld-maxiu/MemoWM. 获取