PulseAugur
中
实时 14:52:15
English(EN) Personalizing Embodied Multimodal Large Language Model Agents over Long-term User Interactions

新的POLAR框架通过长期记忆增强个性化AI代理

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出POLAR框架，旨在增强基于多模态大语言模型（MLLM）的具身代理的个性化协助能力。POLAR利用多模态知识图谱存储来自长期用户交互的语义和情景记忆。该记忆系统允许代理通过检索相关的过往经验来理解隐式请求并指导任务执行。评估表明，POLAR能够持续提升代理的性能，尤其是在需要多轮交互推理和跟踪不断变化的用户上下文的场景中。 AI

排序理由 该集群包含一篇详细介绍AI代理新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Jeongeun Lee, Chanyoung Park, Dongha Lee ·

    基于长期用户交互的具身多模态大语言模型代理个性化

    arXiv:2605.26256v1 Announce Type: new Abstract: Multimodal large language model (MLLM)-based embodied agents have shown strong potential for solving complex tasks in physical environments. However, personalized assistance requires more than following generic instruction or recogn…

相关实体

相关话题