NavHarness 让机器人把地图、搜索记录与房屋笔记带进下一次对话，GOAT-Bench 上 s-SR 提升 18.6 至 34.8 点

论文把“经验如何被使用”与“是否保留经验”区分开来：结构化恢复交接优于长度匹配的普通摘要，后者在 s-SR 上落后 8.3 点。 以往长时程导航工作多关注保留场景知识或训练检索策略，这里把跨会话边界的证据传递本身作为研究对象，并给出对照实验。 在全部 2,669 个 GOAT-Bench Val-Unseen 子任务、Opus 5 固定骨干、相同任务预算下比较，含空交接、错配任务交接与长度匹配摘要三种对照。

在四个推理骨干上，NavHarness 相对同骨干的独立会话一致提升任务成功率与路径效率，并在使用 SLAM 估计位姿而非模拟器真值位姿的条件下取得 GOAT-Bench 与 IR2R-CE 的最优结果。 先前较强结果多依赖模拟器位姿或额外感知模块，这里报告的是不含模拟器位姿、全局导航网格与导航专用学习策略的结果。 GOAT-Bench 全量 2,669 子任务、360 个 episode、36 个场景，三个随机种子；IR2R-CE 全部 36 条 tour、1,824 个任务；Astra 在 GOAT-Bench 为 83.7 s-SR 与 62.3 SPL，在 IR2R-CE 为 85.9 s-SR 与 76.1 SPL。

跨任务记忆的两个部分各自有独立贡献：隐藏先前任务记录损失 9.7 点 s-SR 并使步数增加 25%，清除空间记忆损失 12.6 点并使步数增加 32%，两者同时移除损失 14.7 点。 这组干预把“地图与标记”和“文本任务记录”分开测量，说明二者不能互相替代。 Opus 5 固定、全量 2,669 子任务、三个种子，配对 95% 置信区间按场景聚类自助重采样。

在跨房屋的连续部署中，运行末整合把日志提炼为房屋笔记，使汇总 s-SR 从 72.8% 升至 80.5%、SPL 从 36.5 升至 44.3，且案例显示智能体会用先前经验解释模糊目标、追查未决问题并续接失败搜索。 该对照只关闭运行末整合，保留地图与任务记录，因此测的是长期组织化记忆在持久化空间与任务记录之外的增量。 36 个房屋、每房屋十段 tour 的模拟多日部署，Opus 5，配对增益 7.7 与 7.8 点，置信区间以房屋为重采样单位；另有 48 个案例的定性分析。

该工作面向在同一房屋内连续执行多个导航目标的场景，目标可由物体类别、语言描述或图像给出，任务之间机器人不被重置。方法适用于具备多轮多模态推理能力的执行模型，论文中使用的四个骨干为 Qwen3.8-27B、GPT-4o、Opus 5 与 GPT-6 Astra；作者指出更小的 Qwen3.5-4B 与 Qwen3.5-9B 在多轮多模态导航上表现吃力。空间状态由 ORB-SLAM3 位姿、命名标记与少量地点照片构成，地图查询与更新工具可替换为其他位姿估计器或更丰富的表示。评估在 GOAT-Bench 与 IR2R-CE 的静态扫描环境中进行，连续部署为每房屋十段 tour 的模拟多日序列，并在 tour 边界按预设起点重新放置机器人。

论文自身指出若干开放问题：记忆可靠性方面，被判定为完成的错误结论可能进入房屋笔记，修正一条记录不一定会更新其副本，也不验证其他空间断言；四视图核验器仍会接受 5.2% 的错误完成声明并拒绝 4.1% 的正确声明。空间表示无法表达物体移动、时间变化或可操作物体状态，度量坐标系从不与真值重新对齐，跟踪器的回环修正也不会回写到已写入的占据栅格。评估限于静态模拟环境，真实部署还需要稳健通信、低延迟避障与独立测量的轨迹。随着经验累积，检索需要保持足够选择性，同时处理过期或相互冲突的记录。此外，本证据包为全文解析，但正文中若干表格的数值在解析后为空缺，因此组件对照的具体分数以正文叙述与附录文字为准。