智能体记忆研究近年来发展迅速，但几乎都集中在文本侧。现有基准很少在交互式环境中检验一个关键问题：智能体何时必须记住它看到的内容，而不是它能写下来的文本。为此，来自 Yujin Tang 等四位作者的研究团队提出了 DMV-Bench，这是首个面向多模态智能体视觉记忆的交互式基准。相关论文以 arXiv:2606.27499v1 提交，属于计算机视觉与模式识别（cs.CV）领域，同时涉及人工智能（cs.AI）和计算与语言（cs.CL），全文共 16 页。
DMV-Bench 的构建基于一个受控的家居电商目录，其中包含 1,000 种产品变体。该目录通过一项“文本泄漏契约”确保每个任务的判别性信号仅存在于像素中，从而避免智能体借助文本描述走捷径。在一系列自主购物会话中，智能体访问的每一张产品图片都带有一个预先渲染的独特附带线索。随后，智能体被要求回忆某个特定线索对应的产品，并导航到该产品的 URL。这种设计模拟了真实场景中仅靠视觉信息才能完成的任务。
受双重编码理论启发，研究团队提出了 DualMem，一种并行维护视觉编码和语言编码的记忆架构。在 DMV-Bench 上，DualMem 在每个链条长度 J（5、10、15、50）下都优于一个基于 caption 的基线以及三个近期多模态智能体记忆系统。实验在 Gemini 2.5 Flash 和 Qwen2.5-VL-7B 两个模型上进行，DualMem 的领先优势在控制记忆库大小和编码位置偏差后依然成立。此外，研究还揭示了一种非对称双重编码机制：视觉通道端到端地承载线索，而语言通道仅扮演较小的查询 grounding 角色。
该工作的主要贡献在于，它首次将多模态智能体的视觉记忆能力置于交互式、可控制的测试环境中进行评估，并提供了可复现的代码（https://github.com/yyyujintang/DMV-Bench）。基准的发布有望推动智能体记忆研究从文本向多模态扩展，并为未来设计更接近人类认知机制的记忆架构提供实验平台。论文的提交时间为 2026 年 6 月 25 日，目前可在 arXiv 上获取 PDF 和实验性 HTML 版本。