机器人在真实空间完成连续任务，需要保留的不只是用户指令。物品的位置、任务进度、先前的尝试和后续的新观察，都可能影响下一步行动。贝塔无限2026年10月公开论文《BetaMem: Learning to Remember a Changing World for Embodied Agents》，介绍面向这一问题的长期世界记忆方法。

六层记忆对应不同信息

BetaMem将信息组织为六个相互关联的层次：工作记忆处理当前任务，空间记忆维护环境关系，实体记忆描述物品及其状态，情景记忆保存事件过程，经验记忆归纳任务经历，程序性记忆记录可复用的操作知识。

这些信息并非一次写入后始终不变。BetaMem将当前状态、事件经过和保留的原始观察分别组织，同时记录观察时间、来源和证据。过去看到某件物品在房间一角，可以为寻找提供线索；机器人收到新的观察后，可以修订关于物品位置的状态，而不必抹去此前的事件经过。

记忆如何服务后续任务

记忆的写入、检索和证据核查组成连续过程。针对任务失败，BetaMem研究还设计了局部记忆策略修订与独立回放检验的方法。这样，记忆不再只是静态资料库：系统既要找到与当前目标有关的信息，也要识别信息是否已经过时。

记忆写入方法也经过单独评估。在相同测试条件下，经过监督微调与强化学习训练的9B模型，其记忆写入操作符合规则的比例由基础模型的50.9%提高到86.2%。这一指标衡量的是研究设置中的写入规则执行情况，为记忆如何形成提供了另一项可观察结果。

另一组测试关注记忆能否用于问答与后续行动：在M3-Bench-robot记忆问答评测中，BetaMem取得48.08%的总体得分；在EMem-Bench交互式评测中，集成记忆、检索与规划的系统取得38.4%的平均任务成功率。贝塔无限将继续结合不同任务与终端条件检验记忆方法。

BetaMem是统一具身大脑BetaBrain中的记忆架构。贝塔无限已发布面向生活场景的机器人多米，并持续推进记忆、动作模型及身体能力的协同研发。