本月初在匹兹堡闭幕的IROS 2026将最佳论文奖授予LT-Mem研究，该研究使机器人重访同一空间时能够保留每个物体的位置变迁历史，而非仅记住最近一次观测结果。评委会从近两千篇收录论文中选出该工作，被视为具身长记忆从工程补丁转变为机器人领域公认科学问题的信号。
通用机器人要实现规模化落地，需以小时、天乃至周为单位持续运行。缺乏长记忆能力的机器人每次相遇都等同于初次接触，只能作为孤立的单次动作执行器。但解决长记忆问题并非扩大上下文窗口即可完成：持续涌入的多模态数据无法全部存储或检索，现实世界的动态变化要求新观测既不能简单覆盖旧状态，也不能无序堆叠，而错误记忆会在后续决策中被反复调用并层层放大。
在该方向获得顶会认可的数月前，国内具身智能初创公司贝塔无限已展开布局。今年五月，联合创始人陶帅在采访中表示，长效、多模态、时空记忆的缺失是团队首要突破的方向。此后团队陆续发布BetaMem全时空多模态记忆架构、世界动作模型BetaWAM 0.1及首款机器人多米。10月20日，团队将BetaMem的写入学习、证据管理和自我改进机制整理为系统方法与实验，发表于arXiv。
论文数据显示，BetaMem采用9B开源模型生成记忆，在M3-Bench-robot、LoCoMo、OpenEQA和EgoLifeQA四项代表性记忆基准对比评测中均取得SOTA成绩，在串联多次观察线索、回忆长时间跨度事件、识别个人习惯等任务上表现出明显优势。
从技术路线看，LT-Mem从多会话建图切入，将问题收窄至可评测范围；BetaMem则从记忆形成、验证与失败学习的系统视角搭建完整记忆底座。学术界的单点攻坚与产业团队的体系化落地在同一方向交汇，表明长记忆已成为具身智能领域正在收敛的核心判断。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
