探究動作世界模型中的記憶機制：Echo-Memory 的受控實驗與效能分析

本研究提出 Echo-Memory 框架，針對動作導向世界模型中的記憶失效問題，透過統一的擴散模型架構與多維度評估協議，系統性比較並揭示了不同記憶機制在場景一致性上的表現差異。

Problem

動作導向世界模型在生成長影片時常面臨「記憶失效」：當虛擬攝影機離開又回到先前場景時，物體或環境常發生不一致的變動。由於現有研究在模型骨幹、訓練與評估基準上各不相同，使得不同記憶機制的實際優劣難以被公平地量化與比較。

研究團隊開發了 Echo-Memory 受控實驗平台，固定動作對影片的介面，並在相同的擴散模型骨架下，僅改變記憶的儲存與讀取路徑。實驗涵蓋了原始上下文、壓縮式記憶、空間摘要及狀態空間遞迴等四種主流設計，並採用結合回放品質、域內循環回訪與開源回訪的三分支協議進行全方位評估。

研究發現回放保真度並不能完全代表模型的記憶能力。原始上下文雖然在回放指標上普通，卻能顯著提升回訪表現；過度追求記憶壓縮則會導致關鍵空間證據遺失。其中，「區塊式狀態空間遞迴」在處理開放領域回訪任務中表現最強，顯示隱式記憶的結構設計與其使用決策同等重要。

這項研究超越了傳統的單一回放指標，提供了一套嚴謹且標準化的實驗協議。透過拆解容量、壓縮、讀取與遞迴等維度，為學界理解生成式世界模型如何「記住」物理世界提供了深入的理論基礎，有助於未來開發更具時空一致性的 AI 系統。