机器人执行长程任务时，难点不只在于把多个动作串起来。它需要记住任务目标和已经发生的事，也需要在物品位置变化、动作失败或出现新观察后，及时调整对环境的判断。贝塔无限围绕这一问题开展长期世界记忆研究，并于2026年10月公开了BetaMem的具体方法。

从“记下信息”到“判断信息是否仍然有效”

BetaMem设置工作、空间、实体、情景、经验和程序性六类相互关联的记忆。不同层次分别承担当前任务信息、环境关系、物品状态、事件经过和可复用经验等内容。状态记录、变化事件与保留的原始观察分开保存，再通过时间及来源信息关联起来。这样，调用一条记忆时可以追溯它从何而来，也能在新观察出现后修订对当前状态的判断。

这一设计对应一个常见的真实场景：物品昨天放在桌上，今天可能已被移动。昨日位置仍有寻找价值，但机器人需要重新观察，才能决定下一步到哪里取物。

让记忆成为任务过程的一部分

在写入、检索和修订之外，BetaMem研究还提出一种改进记忆策略的方法：先分析任务失败可能涉及哪些记忆环节，再通过独立回放检验局部修订。在EMem-Bench交互评测中，集成记忆、检索与规划的系统取得38.4%的平均任务成功率。这一结果对应特定的交互任务，也让“记忆怎样参与行动”有了具体的评估对象。

贝塔无限的统一具身大脑BetaBrain包含BetaMem记忆架构与BetaWxM世界动作模型。记忆负责管理随时间变化的环境与任务信息，动作模型面向行动生成。已发布的机器人多米提供了具体终端形态，后续研发将继续关注记忆、动作与身体反馈之间的配合。