KAIST 提出 FAR:让世界模型学会“该回忆哪些记忆”
kaist-ai · hf · 2026-10-02
KAIST AI 提出 Future-Aware Recall（FAR），解决世界模型情景记忆的核心难题：随着记忆累积，哪些记忆对当前预测有用、该信任哪些检索线索？
- 传统基于时间近因、位姿重叠或视觉相似度的固定判据在不同环境与查询下不可靠；
- FAR 以“给定回忆上下文后真实未来的条件对数似然”（用扩散预测损失近似）衡量记忆的预测效用，据此训练检索器；推理时检索器对未来不可见；
- 检索器学会各线索的特定相关性，自动决定对每条查询该信任时间、位姿、视觉、音频等哪些线索；
- 在三种互补设定中，FAR 即使使用相同检索线索也胜过手工设计的召回策略，并随世界变化召回正确历史。
所属事件:KAIST 推出 FAR 框架，让世界模型学会情景记忆召回(2 条相关)→
「研究」频道最新
- Company Knowledge Bench:基于 1000 条真实企业查询的检索评测,7 款检索器实测 — CShorten30 · 2026-10-03
- Gacha Decoding:靠指令遵循+外部随机数,样本效率超此前方法 11 倍 — natolambert · 2026-10-03
- 新论文开篇语出惊人:智能与鹦鹉学舌的区别是计算性的 — ctjlewis · 2026-10-03
- RLE-Bench：把编码 Agent 考成机器人学习工程师的资格考 — RLE-Bench · 2026-10-03
- 蒸馏研究：KL 方向与学习率比 on-policy 更影响性能 — CambUni · 2026-10-03
- 斯坦福回顾：2018 年称自动驾驶已完成 90%，AI 如何补上最后 10% — StanfordHAI · 2026-10-03