PolarMem：一种无需训练的极化潜在图记忆，用于可验证的多模态智能体

随着多模态智能体从被动观察者演变为长期决策者，其记忆系统不仅需提供信息可用性，还需支持逻辑可验证性。当前架构的根本局限在于概率性视觉-语言模型与稠密联想记忆中存在的认知不对称：它们将语义相似性与事实存在性混淆，且无法结构化地编码否定约束。为此，本文提出PolarMem——一种无需训练的极化潜在图记忆系统，通过非参数分布划分将模糊感知似然转化为离散逻辑约束，并采用具有正交抑制连接的极化图拓扑，显式将已验证的否定作为基本认知状态进行存储。推理阶段采用逻辑主导的检索范式，抑制违反否定约束的幻觉模式。在八个冻结视觉-语言模型和六个基准上的广泛实验表明，PolarMem可作为稳健的认知系统，为可验证多模态智能体奠定基础。