摘要
世界模型常用于支持智能体的规划,但仅靠流畅的状态预测易遗漏关键事实或应用错误规则。为此,本文提出MemWM,一种基于记忆增强的文本世界模型。MemWM利用包含转换规则、状态缓存和难预测事实的“世界记忆”库来引导下一步状态想象。实验表明,相比监督微调,记忆增强训练使结构化状态保真度提升高达206.3%。在完整规划设置中,冻结策略模型并提供检索到的任务级技能及逐步纠正指导,MemWM在ALFWorld、WebShop等基准上显著提升了下游任务成功率,相对增益达65.4%。
AI 推荐理由
论文核心提出MemWM,通过构建世界记忆库(状态缓存、转换规则等)来增强文本世界模型,直接研究记忆机制在Agent中的应用。
研究机构
清华大学
北京智源人工智能研究院
浙江大学
阿里巴巴集团
论文信息