PolarMem：一种无需训练的极化潜在图记忆用于可验证的多模态智能体
人工智能
2026-02-03 v1 机器学习
摘要
随着多模态智能体从被动观察者发展为长期决策者，他们需要的记忆系统不仅要提供信息可用性，还要提供逻辑可验证性。当前架构的一个根本局限是其所固有的认知偏差：概率性视觉语言模型和稠密关联记忆会将语义亲近性与事实存在性混为一谈，结构性地未能编码负向约束。为此，本文引入PolarMem，一种用于支撑智能体推理的可验证证据的无训练极化潜在图记忆。PolarMem通过非参数分布分区将模糊的感知概率转化为离散的逻辑约束。此外，它采用极化图拓扑结构，带有正交抑制性连接，以显式存储已验证的否定作为主要认知状态。在推理时，我们强制执行逻辑主导的检索范式，抑制违反负向约束的幻觉模式。广泛的评估表明，PolarMem在八个冻结的视觉-语言模型和六个基准测试上均表现出作为稳健认知系统的功能，为可验证的多模态智能体奠定了基础。我们的代码已公开：https://github.com/czs-ict/PolarMem。
引用
@article{arxiv.2602.00415,
title = {PolarMem: A Training-Free Polarized Latent Graph Memory for Verifiable Multimodal Agents},
author = {Zhisheng Chen and Tingyu Wu and Zijie Zhou and Zhengwei Xie and Ziyan Weng and Yingwei Zhang},
journal= {arXiv preprint arXiv:2602.00415},
year = {2026}
}