**通过新颖性信号联合学习智能体记忆与探索**

_Joint Agent Memory and Exploration Learning via Novelty Signals_

> 本文提出JAMEL框架，通过联合训练智能体的记忆模块和探索策略，解决开放环境中自主智能体的探索难题。该框架利用新颖性信号（如GUI领域的代码覆盖率）作为天然、无需标注的监督信号，使记忆与探索形成相互依赖的循环：探索需要记忆区分已见和未见行为，而新颖性驱动的交互为记忆提供训练监督。实验表明，JAMEL能泛化到未见环境，探索能力超越开源基线，接近闭源模型水平，同时减少token消耗。代码和模型已开源。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.01528)