为何仿真测试是首要试验场——以及该测量什么
仿真让你能在涉及任何实体机器人之前，以低成本且安全的方式对记忆进行压力测试。关键在于设计任务，迫使智能体使用记忆，而不仅仅是对当前视野作出反应。例如，一项研究引入了一个包含56个任务、覆盖多种环境的基准测试，专门用于评估多步推理和语言变体[4]。这让你能够观察智能体是否能在闭环中规划、反思并修正行动——这些技能对于长时程任务至关重要。
运行这些仿真时，请跟踪成功率和效率。在一次仿真中，与没有记忆的基线相比，增强记忆的策略将成功率从32.4%提升到了84.0% [1]。这是一个巨大的飞跃，表明记忆不仅仅是锦上添花，而是关键组成部分。此外，还要测量推理延迟和GPU内存占用——如果记忆系统拖慢了机器人的速度，那么它在实时场景中就不具备实用性 [1]。
真实机器人基准测试：在感知混淆与遮挡条件下进行测试
仿真无法涵盖真实世界的所有复杂性，因此必须转向实体机器人。最关键的是要设计出这样的场景：相同的观测可能源自不同的历史过程——这被称为感知混叠。一项研究在UR5e机械臂上构建了真实机器人数据集（Camo-Dataset），其中包含在此类条件下的情景回忆、空间追踪和顺序操作任务[3]。这迫使机器人利用记忆来消除视觉信息的歧义。
在真实机器人测试中，记忆系统已展现出很高的成功率——一项研究中高达98.7%[1]。但不要只看成功率，还应测试机器人如何处理干扰和记忆衰减。另一项研究发现，一种主动记忆代理（可自行决定何时注入提醒）在终端基准测试中将pass@1提升了8.3个百分点，在另一项基准测试中提升了6.8个百分点，相较于被动记忆[5]。这表明测试应涵盖机器人是否在恰当时间主动回忆相关过往事件，而不仅仅是存储它们。
测试记忆衰减与主动回忆——而非仅测试存储能力
长时程任务中一个常见的失败模式是“行为状态衰减”——随着轨迹增长，重要信息被埋没或遗忘[5]。因此，你的测试应明确检查机器人能否在需要时浮现出与决策相关的过往事件。一项研究表明，能够选择性干预（注入提醒）的记忆智能体，其表现优于被动记忆暴露或始终注入的方式[5]。这意味着你不仅要测试机器人能否存储记忆，还要测试它能否在恰当的时机检索这些记忆。
另外，测试机器人如何处理记忆压缩。一种方法是将每个历史帧压缩为单个令牌，使策略能够以极低的延迟关注长期历史信息[1]。这一点很重要，因为如果记忆负担过重，机器人将无法实时反应。因此，在测试中，既要衡量回忆的准确性，也要衡量计算开销。
关于这些来源
本回答基于5项研究（2项经同行评审，3项为预印本），发表于2024年至2026年间，其中5项为2024年或之后发表。这些研究是从7项通过质量筛选的研究中选出的最相关者，而这7项研究又源自从超过5亿篇论文的数据库中检索到的42篇文献。
本文引用的文献
NativeMEM：面向长时程机器人操作的原生内存压缩
NativeMEM是一种采用原生内存压缩的VLA策略，在仿真环境中将成功率从32.4%提升至84.0%，在真实机器人上最高可达98.7%，同时保持了低延迟和低GPU占用，并且仅使用20%的训练数据即可取得具有竞争力的结果。
用于机器人操作的永续行为克隆智能体
NBAgent是一种基于语言条件的行为克隆智能体，能够持续学习3D场景语义和操作技能。作者引入了一个永不停歇的具身机器人操作基准来评估其性能。
变色龙：面向长时程机器人操作的情景记忆
Chameleon利用基于几何的多模态标记和可微记忆栈，在感知易混淆场景中提升了决策可靠性与长时程控制能力。作者还引入了一个真实机器人UR5e数据集（Camo-Dataset），用于在感知混叠条件下进行情景回忆、空间追踪和顺序操作。
ALRM：面向机器人操作的主体性大语言模型
ALRM是一个由LLM驱动的智能体框架，将策略生成与智能体执行相结合，并引入了一个包含56个任务、覆盖多种环境的模拟基准，用于评估多步推理和语言变体；使用十个LLM进行的实验表明，在Code-as-Policy模式下，Claude-4.1-Opus是表现最佳的闭源模型，而Falcon-H1-7B是表现最佳的开源模型。
在关键时刻记得：面向长时程智能体的主动记忆智能体
一个主动式记忆代理能够选择性地注入基于记忆的提醒，在Terminal-Bench上将pass@1提升了8.3个百分点，在τ²-Bench上提升了6.8个百分点，优于被动式记忆暴露和始终开启的注入方式。