一篇发表于2026年10月14日的arXiv综述，系统分析了多模态智能体如何保存和利用图像、视频、音频、GUI及三维环境中的经验。论文认为，随着智能体从一次性问答转向长期任务和持续交互，记忆不再只是扩大上下文，而要解决哪些信息值得保留、以何种形式表示，以及旧信息如何随新证据更新的问题。《Seeing, Maintaining, and Learning: The Evolution of Multimodal Agent Memory》
论文提出两个分析维度。第一是记忆的形成与表示，包括保留原始媒体、使用模态专属特征、转换为文本或结构化记录、压缩为潜在状态，以及写入模型参数等方式。不同选择会在信息保真度、存储效率、可编辑性、来源可追溯性和后续推理兼容性之间形成取舍。例如，图像中的空间细节、视频和音频的时间结构、GUI中的可操作坐标，都可能在摘要或压缩过程中丢失。
第二是记忆管理的适应程度。论文将其分为三层：T1静态记忆，形成后基本复用；T2动态记忆，在稳定策略下更新内容或组织方式；T3自演化记忆，则进一步根据反馈改进未来的写入、维护或检索策略。论文整理的当前分类语料包含297种记忆架构和82条基准记录，并指出动态更新和混合表示较为常见，但部署阶段能够持续改进记忆管理策略的系统仍相对少见。
这项工作的主要价值是把多模态记忆从单一存储组件提升为完整生命周期问题：信息如何形成、如何被检索和验证、何时被修订或遗忘，以及如何避免过期或相互冲突的状态影响后续行动。对产品团队而言，评估多模态智能体时，除了关注识别和推理准确率，还应检查记忆是否保留证据来源、能否处理时间有效性、是否支持纠错和受控遗忘。需要注意的是，该材料目前是arXiv上的综述论文，文中的架构数量、分类和趋势属于作者基于其语料的整理，不等同于全行业的完整统计，也不代表所有结论已经经过同行评审确认。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
