World Models Memory-Augmented LLMs Agent Planning State Prediction
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
作者 Yujun Wang, Tao Zhang, Jinhe Bi, Aniri, Wenxuan Ye et al.
发布日期 2026-08-07
arXiv ID 2608.07107
相关性评分 9/10 (高度相关)