摘要
针对具身智能体空间理解中缺乏长程流式推理与主动感知的问题，本文提出 S3-Bench 基准，支持基于时间戳的流式问答。该基准结合可扩展模拟器与真实视频，涵盖万余场景。同时提出 AMF-VLM 模型，通过“记忆折叠”将长序列观测压缩为结构化记忆，并利用“主动探索”获取缺失证据。实验表明，该方法在模拟与真实数据上显著优于基线，且具备良好迁移性。
AI 推荐理由
论文核心提出记忆折叠机制以压缩长程观测，解决流式空间推理中的记忆瓶颈。
研究机构
香港大学
云从科技有限公司
上海交通大学
论文信息