UCSB 等提出 WorldMemArena，将多模态 Agent 记忆纳入真实交互评测
这篇论文把 Agent 记忆从“能否复述过去”推进到“能否维护一个变化的世界”，并用数据说明召回高不等于答得对。
来自 UCSB、斯坦福、ETH 等机构的研究者提出多模态 Agent 记忆评测基准 WorldMemArena，把记忆拆成写入、维护、检索、使用四个环节，放进“观察—行动—环境反馈”的循环里检验。基准含 400 多项多会话任务、24258 组问答和 15595 张图像截图。结果显示存得多并不等于用得好：有的系统记忆召回率 86.83%，问答正确率只有 50.14%。
正文摘录
.jpg)  来自加州大学圣塔芭芭拉分校（UCSB）、斯坦福大学、苏黎世联邦理工学院（ETH Zurich）、约翰斯·霍普金斯大学、卡内基梅隆大学和 J.P. Morgan Chase 的研究者，联合提出多模态 Agent 记忆评测基准 WorldMemArena。论文已被 NeurIPS 2026 接收；共同第一作者 Chengzhi Liu 与 Yuzhe Yang 均来自 UCSB。 团队关注的问题很实际：Agent 明明保存了项目计划，预算更新后却仍按旧版本行动；看过环境截图，下一步又忽略了画面里已改变的状态。它到底是没记下来、没及时更新，还是找到了证据却没用上？ 能答出“以前说过什么”，不等于能用好记忆 。这正是 WorldMemArena 想追问的核心问题。