Sistema de memória sobe para 58,9 % o sucesso de robôs domésticos

Um robô é encarregado de ir buscar um livro que viu na mesa de centro há uma hora. Entretanto, fez outras tarefas, por isso procura em todas as divisões ou insiste em puxar uma gaveta que já tinha encontrado trancada. É este o problema do dia a dia que uma equipa do OmniAI Group da Universidade de Zhejiang quis medir. O seu banco de testes, EmbodiedMemory-Bench (EMem-Bench), verifica se os agentes de IA incorporados, ou seja, programas que atuam através de um corpo ou de um corpo simulado, conseguem construir memória a partir de longos históricos de interação e agir em conformidade.

Os investigadores analisaram primeiro 100 tentativas falhadas dos modelos Gemini-3-Flash e Qwen3-VL-32B, nos conjuntos de testes do EmbodiedBench. As causas eram precisas: 35 % vinham da falta de pormenores visuais finos, 31 % da incapacidade de registar estados revelados por uma interação, 18 % de não notar alterações no ambiente e 7 % de não reutilizar experiências anteriores. O banco de testes transforma estas quatro lacunas em famílias de tarefas, e cada um dos seus 2 554 episódios executáveis dá ao agente um histórico multimodal ordenado no tempo antes de uma nova tarefa. O agente tem de recuperar a prova certa e, depois, deslocar-se, abrir recipientes e mover objetos no simulador AI2-THOR até atingir o objetivo. Para tornar os testes mais difíceis, juntam-se divisões isoladas em casas com várias divisões e inserem-se, entre a pista-chave e o pedido, interações que distraem mas são executáveis.

A resposta da própria equipa é o Embodied-Memorizer (EMem), um sistema de memória externa que guarda a experiência em memórias de cena, espaciais e de eventos. Usando o GPT-5.4-mini como base, o EMem elevou a taxa média de sucesso de 35,3 % para 58,9 %, ou seja, mais 21,1 pontos do que o TeleMem, o sistema de memória seguinte mais bem classificado nos testes. Uma política de 8 mil milhões de parâmetros, afinada para o efeito, o EMem-8B, atingiu 46,0 %, contra uma pontuação do modelo de base inferior em 20,6 pontos. O resultado também desfaz um atalho frequente. Dar simplesmente mais imagens do histórico ao modelo não ajudou: o sucesso desceu de 36,6 % para 26,2 %, enquanto os tokens de entrada por episódio subiram de 41 770 para 206 489.

Os modelos de referência mostram quão difícil é o banco de testes. Com contexto completo, o Gemini-3-Flash liderou com 64,2 %, seguido do Gemini-2.5-Pro com 60,8 %, do Qwen3.6-27B com 58,2 % e do GPT-5.4 com 56,8 %. Todos os modelos de código aberto, à exceção de um, ficaram abaixo de 45 %. Para quem desenvolve robôs domésticos, o artigo sugere que estruturar a experiência pode funcionar melhor do que acumular histórico bruto. Um banco de testes deste tipo dá também às equipas uma referência comum, o que importa para quem quer comparar sistemas nas mesmas tarefas.

Os limites são claros, e os autores enunciam-nos. Todos os resultados provêm de simulação, enquanto um robô real tem de lidar com ruído dos sensores e erros de execução que uma cozinha virtual nunca produz. Enquanto estes sistemas não funcionarem em hardware físico, o número de 58,9 % mede a abordagem de memória, não um robô em quem se possa confiar para ir buscar o livro. O próximo teste é o que os próprios autores apontam: testar o EMem em robôs físicos, confrontados com ruído dos sensores e erros de execução.