多模態智慧體在長時間互動中如何儲存和呼叫記憶，是一個兼具理論意義與工程價值的問題。arXiv 於 2026 年 10 月 8 日釋出的一篇新論文《Intuition with Evidence: Adaptive Dual Memory for Multimodal Agents》對此提出了系統性的解決方案。該論文由 Qiuhe Hong 領銜、共 7 位作者合作完成，歸類於計算機視覺與模式識別（cs.CV）方向，編號為 arXiv:2610.33019v1，DOI 為 10.48550/arXiv.2610.33019。
論文首先重新界定了長期記憶在多模態智慧體中的兩種互補功能。第一種是細粒度的證據回憶，即當任務需要精確引用歷史觀察、影像片段或對話內容時，智慧體必須能夠準確檢索到原始記錄；第二種是內化的解釋能力，即智慧體需要把大量分散的互動經驗壓縮為整體性的理解，用以支撐全域性判斷。前者對應情景記憶（episodic memory），依賴顯式的歷史記錄；後者對應潛在記憶（latent memory），依賴模型內部化的經驗表徵。
作者指出，單一記憶正規化無法覆蓋不同任務對記憶親和力的多樣化需求。情景記憶的主要短板在於證據覆蓋範圍有限、跨記錄整合能力不足，當歷史記錄稀疏或檢索不完整時，智慧體難以還原完整證據鏈；潛在記憶的問題則在於事實落地性較弱，內部化的經驗雖能提供直覺式的全域性把握，卻缺乏可核驗的原始依據。兩種正規化各有盲區，而真實任務往往同時需要二者。
為彌合這一鴻溝，論文提出了一種雙記憶框架：一方面保留模型原生的潛在記憶，作為直覺先驗；另一方面構建多索引的情景記憶，透過檢索條件下的聯合對齊機制實現精確的證據重建。所謂多索引，意味著情景記憶並非單一向量庫，而是以多種索引方式組織，以便在不同檢索需求下都能定位到相關記錄；聯合對齊則把檢索結果與模型內部表徵加以對齊，使證據能夠被有效整合進推理過程。
在推理階段，該框架採用一種無需訓練的 routing 機制，自適應地組合兩類記憶。路由的判據來自兩部分：一是基於 Jensen-Shannon 散度（JSD）的敏感度度量，用於刻畫查詢對兩類記憶的偏好程度；二是置信度代理指標，用於評估當前記憶呼叫結果的可靠程度。二者共同決定某個查詢應當更多依賴直覺性的潛在記憶，還是更多依賴證據性的情景記憶。由於路由機制不需要額外訓練，框架可以直接部署在已有模型之上，降低了適配成本。
實驗方面，作者在多模態基準上進行了廣泛評估，整體效能達到當前最優水平。與單一正規化基線相比，該框架相對原始情景記憶基線平均提升 4.67%。進一步的消融與分析顯示：情景記憶在證據定位類任務中優勢明顯，能夠精確還原區域性證據；潛在記憶則在整合分散資訊、彌補檢索不完美方面貢獻突出，當檢索結果存在缺失時，內化經驗可以起到補償作用。這一結論印證了雙記憶設計的必要性——兩類記憶並非簡單疊加，而是在不同任務結構下各展所長。
從時間線看，該論文於 2026 年 10 月 8 日 16:02:56 UTC 提交第一版，全文約 2.9 MB，目前提供 PDF、實驗性 HTML 以及 TeX 原始碼等多種獲取方式，並附有音訊摘要。論文的貢獻可歸納為三點：明確區分長期記憶的兩種功能定位；提出統一潛在記憶與多索引情景記憶的框架及聯合對齊方法；設計基於 JSD 敏感度與置信度代理的無訓練路由機制，並在多模態基準上驗證其有效性。對於需要長期記憶支撐的多模態智慧體研究而言，這一工作提供了一個兼顧直覺與證據的可行路徑。