WorldKV: Memoria de Mundo Eficiente con Recuperación y Compresión | Gestión de memoria a largo plazo para agentes en entornos extensos | Optimización de caché KV para comprensión espacial y planificación de mundo

Abstract

PROBLEMA: Los agentes autónomos que operan en entornos extensos enfrentan un cuello de botella crítico: la gestión de la memoria de mundo. Almacenar cada detalle visual y semántico en el caché KV (Key-Value) de un Transformer satura rápidamente los recursos de hardware, limitando la capacidad de planificación a largo plazo. SOLUCIÓN: El paper propone WorldKV, un sistema de memoria especializado que utiliza una arquitectura de recuperación y compresión de dos niveles. En lugar de mantener todo el contexto activo, WorldKV identifica y comprime regiones del mundo menos relevantes para la tarea inmediata, permitiendo al agente "recordar" áreas vastas sin exceder el presupuesto de memoria. METODOLOGÍA: Utilizan técnicas de hashing espacial y atención dispersa para indexar representaciones latentes del entorno, integrándolas en un pipeline de razonamiento agéntico probado en simuladores de alta fidelidad. RESULTADOS: WorldKV reduce el uso de memoria en un 70% manteniendo una precisión de recuperación superior al 95% en comparación con modelos que usan contexto completo sin comprimir. RELEVANCIA: Es una pieza clave para el desarrollo de modelos de mundo en robótica y agentes espaciales que requieren navegación persistente y comprensión semántica de entornos dinámicos.