看见不等于记住，浙大提出具身记忆基准 设想一个日常场景：家庭机器人刚刚在茶几上看见一本书，去厨房完成几项任务后，接到取书…

看见不等于记住，浙大提出具身记忆基准 设想一个日常场景：家庭机器人刚刚在茶几上看见一本书，去厨房完成几项任务后，接到取书…

EmbodiedMemory-Bench 的项目主页，英文标题为 “EmbodiedMemory-Bench: Benchmarking Embodied Memory for Long-Horizon Embodied Tasks”。帖子介绍了该基准的动机（机器人忘记物品位置、重复尝试失败的抽屉等）与构成：四类任务、2554 条可执行交互样本，以及配套的 Embodied-Memorizer 外部记忆系统和 EMem-8B 模型；发布约三周 Hugging Face 下载量接近 30000 次。页面列出作者名单和浙江大学 OmniAI Group of ZJU ACES Lab 单位信息，并附论文、项目主页、代码和基准链接。

看见不等于记住，浙大提出具身记忆基准 设想一个日常场景：家庭机器人刚刚在茶几上看见一本书，去厨房完成几项任务后，接到取书…

浙江大学 OmniAI 团队的 Embodied-Omni 开源仓库中 embodied_memory 目录对应的页面。帖子介绍 EmbodiedMemory-Bench：通过四类任务、2554 条可执行交互样本评测具身智能体能否从历史中建立记忆并用于后续任务，并配套提出外部记忆系统 Embodied-Memorizer 与 EMem-8B 模型，称发布约三周 Hugging Face 下载量接近 30000 次。README 将该仓库描述为 ZJU-OmniAI 一系列开源具身 AI 项目，涵盖长程任务规划、环境状态推理、自我反思和真机部署。

用于 Sim2Real 迁移的域随机化

Domain Randomization for Sim2Real Transfer

Lil'Log 博客介绍机器人领域域随机化（Domain Randomization）的文章。先说明仿真到真实迁移的困难与系统辨识等思路，然后讲均匀域随机化的做法，从优化和元学习两个角度解释其原理，并介绍面向任务性能的引导式域随机化，包括匹配真实数据分布和借助仿真器数据引导两类方法。

Bridgewater 如何把一亿份文档变成优势——Sam Green 与 Aaron Linsky，Bridgewater

How Bridgewater Turned 100 Million Documents Into an Edge - Sam Green & Aaron Linsky, Bridgewater

Bridgewater Associates 的应用 AI 团队负责人 Sam Green 和产品工程负责人 Aaron Linsky 介绍其名为 Vault 的系统：汇集来自 135 个外部来源的一亿多份文档以及公司自身的备忘录和会议记录，经清洗、权限化和按内部本体标注。演讲给出三条经验：人和智能体对搜索的需求不同、最大的收益来自同时服务两者的单一工具、真正的目标是让智能体主动把值得关注的内容带给投资人，并提到自建基准使 precision at 10 从约 60% 提升到 90% 以上。