AnswersPublished18 sources
EMem-Bench mette alla prova la memoria degli agenti IA incarnati
EMem Bench, sviluppato dal gruppo OmniAI dell’Università Zhejiang, comprende 2.554 episodi interattivi e verifica se gli agenti IA incarnati sanno ricordare e riutilizzare esperienze passate. Il benchmark esamina quattro capacità: ricordare dettagli osservati, aggiornare lo stato degli oggetti, conservare gli esiti...
Pubblicato daModificato con GPT-6 LunaImmagini generate con GPT Image 2
Research answer
Key takeaways
- EMem Bench, sviluppato dal gruppo OmniAI dell’Università Zhejiang, comprende 2.554 episodi interattivi e verifica se gli agenti IA incarnati sanno ricordare e riutilizzare esperienze passate.
- Il benchmark esamina quattro capacità: ricordare dettagli osservati, aggiornare lo stato degli oggetti, conservare gli esiti delle interazioni e trasferire l’esperienza a compiti nuovi.
- In 100 traiettorie fallite esaminate manualmente, quattro categorie di problemi legati alla memoria rappresentavano complessivamente il 91% dei casi.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Zhejiang University’s OmniAI Group’s EmbodiedMemory-Bench (EMem-Bench), reported on October 18, 2026, when was its paper posted to a. Article summary: EmbodiedMemory-Bench (EMem-Bench) is Zhejiang University’s OmniAI Group’s benchmark for testing whether embodied agents can build and update memories from past interactions, then use those memories to complete later task. Topic tags: general, academic, general web, government, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, water
Gli agenti IA incarnati non devono soltanto interpretare ciò che hanno davanti: per svolgere compiti in un ambiente devono anche ricordare che cosa hanno osservato, che cosa è cambiato dopo un’azione e come usare quelle informazioni in seguito. Il gruppo OmniAI dell’Università Zhejiang ha sviluppato EmbodiedMemory-Bench (EMem-Bench), un benchmark che misura questa capacità attraverso attività eseguibili in ambienti simulati. Il lavoro, composto da 2.554 episodi interattivi suddivisi in quattro famiglie di compiti, è stato inviato ad arXiv il 23 settembre 2026.1
17
Che cosa mette alla prova EMem-Bench
A differenza dei test che chiedono soltanto di raccontare che cosa è accaduto in passato, EMem-Bench sottopone l’agente a una sequenza cronologica di interazioni multimodali e poi gli assegna un compito successivo. L’agente deve costruire o aggiornare i propri ricordi e usarli per agire nell’ambiente.1
11
Le quattro famiglie di compiti verificano se l’agente riesce a:
- Ricordare osservazioni precedenti: conservare dettagli visivi, per esempio dove si trovava un oggetto.
- Seguire i cambiamenti: aggiornare il ricordo della posizione o dello stato di un oggetto, invece di agire sulla base di informazioni superate.
- Ricordare gli esiti delle interazioni: trattenere ciò che un’azione ha rivelato, come il fatto che un tentativo sia riuscito o meno.
- Trasferire l’esperienza: applicare a un nuovo oggetto o scenario una regola appresa in precedenza o una correzione ricevuta.
11
16
In questo modo la memoria non viene valutata solo con una risposta verbale: conta se l’agente riesce a usare correttamente le informazioni quando deve agire in seguito.1
Gli errori di memoria nei compiti domestici
Per individuare alcune difficoltà ricorrenti, il gruppo ha analizzato 100 traiettorie fallite di Gemini-3-Flash e Qwen3-VL-32B nei set EB-ALF ed EB-Hab di EmbodiedBench. I problemi legati alla memoria sono stati suddivisi in quattro categorie:
- Dettagli visivi dimenticati: 35%. L’oggetto era comparso nella scena, ma l’agente non ne aveva conservato la posizione e in seguito lo cercava più volte.
- Cambiamenti dell’ambiente non rilevati: 18%. Un oggetto era stato spostato o modificato, ma l’agente continuava a basarsi sullo stato precedente.
- Riscontri delle interazioni non ricordati: 31%. L’agente non conservava informazioni emerse dall’esito di un’azione, come il successo di una presa o un vincolo dell’ambiente.
- Esperienza non trasferita: 7%. Dopo aver ricevuto una dimostrazione o una correzione, l’agente ripeteva lo stesso errore con un altro oggetto.
Nel campione esaminato, queste quattro categorie rappresentavano insieme il 91% delle traiettorie fallite. È una classificazione di casi selezionati: non indica il tasso di errore complessivo dei due modelli e non va interpretata come il risultato di un campionamento casuale.
Come EMem organizza i ricordi
Il gruppo ha presentato anche Embodied-Memorizer (EMem), un sistema di memoria esterna che organizza le esperienze in ricordi di scena, spaziali e di evento. Ha inoltre addestrato EMem-8B, un modello progettato per gestire e utilizzare queste informazioni.1
6
15 L’obiettivo è conservare le esperienze, recuperare quelle pertinenti al compito corrente e trasformarle in azioni.
6
In un confronto che utilizzava GPT-5.4-mini come modello di base comune, il tasso medio di successo è passato dal 35,3% senza EMem al 58,9% con EMem: un aumento di 23,6 punti percentuali. Nello stesso confronto, TeleMem ha raggiunto il 37,8%.6 Sono risultati riferiti a uno specifico benchmark e alle relative condizioni di prova: non garantiscono prestazioni analoghe in ogni compito o con qualsiasi modello.
Pubblicazione e interesse per il benchmark
La scheda su arXiv indica che il lavoro è stato inviato il 23 settembre 2026.17 Il 18 ottobre alcuni media cinesi ne hanno parlato; anche la pagina del gruppo di ricerca segnala una copertura della notizia.
6
13 Un articolo pubblicato in quella data riferiva che, dopo circa tre settimane, EMem-Bench aveva sfiorato i 30.000 download su Hugging Face. È un dato riportato allora, non una verifica del totale attuale.
6
I risultati in simulazione non dimostrano l’affidabilità dei robot reali
EMem-Bench valuta la memoria e il suo contributo alle azioni attraverso compiti interattivi in ambienti simulati.1
4 I risultati mostrano quindi come si comportano i sistemi in quelle prove, ma non bastano a stabilire se manterrebbero la stessa affidabilità su un robot reale, esposto al rumore dei sensori o a errori di esecuzione. Per rispondere servono anche verifiche con robot fisici.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "EMem-Bench mette alla prova la memoria degli agenti IA incarnati"?
EMem Bench, sviluppato dal gruppo OmniAI dell’Università Zhejiang, comprende 2.554 episodi interattivi e verifica se gli agenti IA incarnati sanno ricordare e riutilizzare esperienze passate.
What are the key points to validate first?
EMem Bench, sviluppato dal gruppo OmniAI dell’Università Zhejiang, comprende 2.554 episodi interattivi e verifica se gli agenti IA incarnati sanno ricordare e riutilizzare esperienze passate. Il benchmark esamina quattro capacità: ricordare dettagli osservati, aggiornare lo stato degli oggetti, conservare gli esiti delle interazioni e trasferire l’esperienza a compiti nuovi.
What should I do next in practice?
In 100 traiettorie fallite esaminate manualmente, quattro categorie di problemi legati alla memoria rappresentavano complessivamente il 91% dei casi.
Sources
arxiv.orgBenchmarking Embodied Memory for Long-Horizon ...
163.com具身智能体长程记忆：看见不等于记住，浙大提出具身记忆基准