FocusMem：不是无脑压缩轨迹！三大解耦机制让GUI Agent任务成功率最高提升18分
为了彻底解决这一困境，研究团队提出了 FocusMem 。它不再试图打造一个容量更大的黑盒压缩器，而是将隐式记忆的职责明确解耦为三个维度： 存什么（内容基底） 、 怎么看（状态自适应读取） 以及 信不信（置信度门控） 。
知识系统
LifelongCrossNav：从平面投影到3D体素记忆，实现跨楼层连续多目标导航
针对这一结构性断层，来自北京智源人工智能研究院（BAAI）与北京大学的研究团队提出了名为 LifelongCrossNav 的具身导航框架。该框架首次将支撑感知的 3D 稀疏体素建图、任务无关的持久视觉语言特征记忆、阶梯自适应通行推理以及统一的跨层导航策略深度融合在闭环系统中。
SkillMemo：给具身大模型装上技能记忆库，OOD泛化超越π0.5
为了打破这种“见过即会、重组即废”的僵局，来自北京师范大学、南洋理工大学与清华大学的研究团队提出了名为 SkillMemo（Skill-Based Memory）的技能记忆增强框架。
GESTO：以人为中心的时空记忆网络，破解动态场景下的具身推理难题
为了打破空间几何与人类动态行为之间的隔阂，来自 Google Research、马普所（IMPRS-IS）、慕尼黑工大（TUM）、KTH 及斯图加特大学的研究团队联合提出了 GESTO （Grounded Event and Spatio-Temporal memOry）。
MAP-Graph：相关不等于可用！多智能体共享记忆拦截100%违规读取
针对这一结构性缺陷，这篇研究提出了 MAP-Graph （Provenance-Aware Shared Memory）。其核心思想可以概括为一句话： 检索不等于授权（Retrieval is not authorization） 。
MESA：长程智能体记忆不是全塞或单选，动态剪裁互补结构反超8.5%
针对这一困境，研究团队提出了 MESA （Multi-structure Evidence Selection framework for long-horizon Agent）。
InMind：直接问倒背如流却频频踩雷？揭秘Agent记忆的隐式关联盲区
由中国科学技术大学与 Metastone Technology 联合提出的最新研究《Keep It InMind》，揭示了隐藏在几乎所有大模型记忆架构深处的“隐式关联盲区”（Implicit-Association Blind Spot）。
AdaMM：为多模态Agent引入分析型记忆，长程任务最高提升11.3%
针对这种 检索与分析的结构性失配 （Retrieval–Analysis Mismatch），一项最新研究提出了 AdaMM （Adaptive Multi-view Memory）框架。
MemArbiter：破解长程智能体“记住了却用不对”，成功率最高提升25.4个百分点
为了解决这一问题，研究团队提出了 MemArbiter 。它不再使用传统“混作一团”的扁平记忆流，而是在决策时刻引入动态仲裁机制：将交互历史拆解为原子记忆，按五种功能明确的 Memory Bank（记忆库）进行分流管理，并借助“焦点-环境”双粒度表达与时序门控。
清华&NUS最新综述！三维分类框架拆解大模型记忆架构
为了缓解庞大 KV 缓存带来的显存墙，架构层面的探索逐渐分化：DeepSeek-V2 等提出的多头潜在注意力（MLA）通过低秩投影将 Key 和 Value 联合压缩至低维隐空间，改变了记忆的存储粒度与传输效率，但在架构属性上它依旧保留了未受独立控制的隐式语义。
MemTxn：为Agent记忆引入事务边界，三层契约让F1提升24分
面对这一结构性缺陷，本文提出了 MemTxn 。它的核心主张非常鲜明： Agent 的可写记忆不能再被当作随意的键值缓存，而必须建立起严格的“应用级事务边界（Transaction Boundary）” 。
RoMeRL：降维效用状态打破智能体“记忆-奖励陷阱”，显存开销直降84%
针对这一困境，最新研究提出了 RoMeRL（Reduced-Order Memory Reinforcement Learning） 。它放弃了给每一条历史轨迹单独赋予效用值的传统做法，而是将无限膨胀的轨迹级状态空间映射为 每个任务仅保留 4 个固定语义坐标的降维效用状态 。
Zero-Mem：智能体记忆无需LLM！零Token操作让耗时降低57.6%
最新提出的 Zero-Mem 正面挑战了这种主流的生成式记忆范式。这项工作提出了 零 Token 记忆操作 （Zero-Token Memory Operations）的新标准：除了在最终根据检索证据回答用户问题的 Reader 阶段调用一次 LLM。
MemOPD：动作在线不等于状态在线，记忆对齐让F1最高提升416.2%
为此，研究团队提出了 MemOPD （Memory-Aligned On-Policy Distillation）框架，在长程问答基准上使 3B 模型的 F1 值相比纯 PPO 基线最高跃升 416.2%，并在保证数值一致性的前提下带来了最高 1.63 倍的训练加速。
MemWM：用外置记忆打破文本世界模型幻觉，下游成功率提升65.4%
针对这一核心瓶颈，来自华为、慕尼黑大学（LMU）、慕尼黑工业大学（TUM）、浙江大学等机构的研究团队提出了 MemWM （Memory-Augmented Text-Based World Model）。
SodaMem：北大提出时序图记忆，以1分钱成本冲上92.8%准确率
针对这一长期记忆难题，来自北京大学的研究团队提出了 SodaMem 。该工作将 Agent 的长期记忆重新定义为一种强证据溯源的时序知识图谱（Evidence-Grounded Temporal Graph Memory）。
超越记忆榜单：科学长文本下的受限上下文恢复与评测真相
为了探索适合科研文献的专门记忆模式，研究团队在论文中提出了名为 Theoria 的三层记忆框架。科研人员阅读文献的过程通常是分层的：底层是具体的实证结果（Evidence），中间是由若干相似方法或流派形成的聚类群落（Community），顶层则是统领性的理论脉络（Theory）。
DriveVLA-M0：结构化失败记忆解耦修正，26ms低延迟拿下94.1分
来自中国科学院与重庆长安科技的研究团队提出了 DriveVLA-M0 。这项工作不再试图通过无休止的离线全量重训来抹平所有长尾错误，而是开创性地为自动驾驶VLA系统构建了一套带有“失败感知”的结构化隐式记忆库与测试时自适应机制。
删错记忆不等于修复状态！依赖引导回滚修复让Agent恢复率达85.3%
针对这一痛点，一项最新研究正式提出了 故障后记忆恢复 （Post-failure Memory Recovery）任务，并设计了一套 依赖引导的回滚修复 （Dependency-Guided Rollback Repair）机制。
GaussMemory：统一3D高斯读写，长程机械臂操作超越π0-FAST达6%
东京理科大学团队提出的 GaussMemory 打破了这一僵局。该方案放弃了被动存储的死板逻辑，转向由任务驱动的“主动记忆”范式。论文的核心主张是：机器人不应该只是记录它看到了什么，而应该端到端地学会“如何去记”——自主发现哪些物体需要高精度追踪、以多大的激进度进行位置修正，以及何时丢弃无用信息。
OAS：大模型记忆该保留还是压缩？低预算准确率提升48%的决策机制
这项研究提出了轻量级学习机制 OAS（Offline Abstraction-Safety） ，不仅在理论上将“何时整合（When）”与“用何种算子整合（Which）”统一到一个效用决策框架中，更证明了记忆管理的最优策略并非由某个固定的 Token 阈值决定。
AttriMem：Token级归因切入过程反馈，破解Agent记忆学习瓶颈
来自浙江大学等机构的研究团队提出了 AttriMem ，这是一种通过归因技术提取过程反馈的 Agent 记忆学习框架。其核心思想在于：不再将记忆动作当成黑盒，而是利用最终答案的变化反向推导中间记忆中具体到 Token 级别的贡献，将全局结果奖励与局部过程奖励深度融合。
删掉上下文也能答对？揭秘大模型KV缓存的“语义物化”与内存契约
这项工作将这一现象定义为 语义物化 （ Semantic Materialization ），并系统性地提出了面向稀疏事件 KV 服务的“内存契约”（Memory Contract）。
ConsistencyGate：大模型Agent记忆防污染，真实长对话幻觉写入直降31.8%
来自佛罗里达州立大学（Florida State University）的研究团队在一篇前沿工作中直击这一痛点，提出了 ConsistencyGate 。这是一个基于自洽性（Self-Consistency）准入控制的写入网关：它不依赖任何模型微调，也不去改变检索和淘汰逻辑，而是在事实准备写入...