UniMem：让大模型边用边学，解耦路由机制助力连续任务EM提升4分
来自中国科学院自动化研究所、北京大学、美团及伦敦大学学院的研究团队，在一项最新研究中提出了名为 UniMem 的自路由记忆框架。该框架受人类大脑互补学习系统（Complementary Learning Systems, CLS）的启发，在无显式任务标签、无清晰任务边界的流式任务场景下。
知识系统 第2页
CoEvoKG：让知识图谱与搜索Agent双向进化，宏平均最高提升11.6分
针对这一核心痛点，最新研究提出的 CoEvoKG 框架给出了一个极具启发性的闭环解法： 将知识图谱（Knowledge Graph, KG）同时作为可验证训练任务的“发生器”与智能体进化的“永久证据记忆库” 。
FinPerMA：阿里提出个性化记忆基准，大模型全上下文准确率不足47%
FinPerMA：这项研究不仅揭开了大模型在“动态偏好演化”上的认知短板，也对 Agent 记忆系统的工程设计提出了深刻反思。要衡量一个 Agent 是否真正具备个性化能力，金融咨询是一个绝佳的试验场。
MeMento：用偏好引导压缩多模态记忆，长程具身决策准确率提升7.18%且Token锐减85%
针对长程人本具身决策的核心瓶颈，最新研究提出了全新的评估基准 DunphyBench ，以及一种由偏好条件引导的多模态记忆压缩框架 MeMento 。该工作不仅系统性地揭示了“无节制堆砌多模态历史上下文反而导致智能体决策崩溃”的非单调现象。
PI-Mem：打破串行记忆覆盖，3.6M超长推理提速6.1倍且涨点7.8
由哈工大、上海人工智能实验室、清华大学、上海交通大学等团队联合提出的 PI-Mem（Parallel-Iterative Memory） ，彻底打破了这一“保精度就必须牺牲吞吐、求轻量就必然遗忘”的权衡困局。
WorldTrace：破解视频世界模型长程遗忘，免训练让场景召回提升19.5%
为此，研究团队提出了完全免训练的长程记忆框架 WorldTrace ，以及专门用于评估场景回访一致性的基准测试 LoopBench 。在不改变原有模型权重、不增加显存峰值的前提下，WorldTrace 实现了 15.5% 的时序一致性提升，并将场景回访的情节召回率提高了 19.5%。
华为提出MindMemOS：从静态存储走向自演化记忆，LOCOMO准确率达到94%
MindMemOS 从根本上重构了记忆的表征形态，提出“实体–属性–时间”三维组织图谱，并配套开发了一套能够主动演化的算法引擎：在线通过紧凑检索与动态图融合吸收上下文，离线通过类似人类睡眠的“做梦（Dreaming）”机制合并冗余与化解冲突；同时，它利用用户的隐式纠错信号完成校准。
RippleMem：告别单次匹配，图构建降本30倍的智能体长记忆联想法
针对这一症结，来自中国传媒大学媒体融合与传播国家重点实验室和智联英和技术团队提出了全新长程记忆框架 RippleMem 。该框架打破了传统记忆系统“单次孤立检索（Isolated Retrieval）”的思维定式，转而借鉴人类认知心理学中的情景记忆激活机制。
EchoPath：告别重复规划，执行级重放让GUI Agent的Token骤降90%
针对这一困境，研究团队提出了 EchoPath ——一种模型无关且环境无关的执行级可重放记忆框架。它不再将历史经验作为冗长的 Prompt 上下文喂回大模型，而是将经过终局验证的 GUI 执行轨迹提炼为标准化的“可调用资产”（类似 MCP 风格的确定性工具）。
MSCE：让大模型把记忆沉淀为可执行技能，软件工程任务提升15.39分
针对这一长期困扰智能体进化的瓶颈，福州大学、香港理工大学、MemTensor、中国科学技术大学与西安交通大学等机构的研究人员提出了一种免训练的记忆与技能共进化治理框架——MSCE（Memory-Skill Co-Evolution）。
LT-Mem：三层时空记忆打破机器人时间遗忘，Token消耗降低一个量级
韩国大邱庆北科学技术院（DGIST）的研究团队针对这一长期未解的痛点，提出了名为 LT-Mem 的易变性自适应时空记忆演进框架。该框架不把环境中的所有实体视为静态背景，也不对其进行无差别的纯文本历史流水账记录，而是建立在多会话统一几何对齐的基础上，引入“物体易变性”（Volatility）这一...
MemChain：从“检索即证据”到可解释轨迹，记忆Token暴减95%且显著涨分
针对这一长期被忽视的痛点，来自中国科学院（CAS）、Memorax AI 等机构的研究团队提出了 MemChain 。这项工作颠覆了“检索后直接喂给模型”的粗放模式，首次在检索与回答生成之间引入了一个独立的可训练“检索后记忆策略”（Post-Retrieval Memory Policy）。
V-Mem：别再暴力跨模态搜索！模态路由将长程多模态记忆准确率拉升至0.82
为此，研究团队提出了 V-Mem 。该框架放弃了在统一表征空间硬碰硬的暴力跨模态检索，转而通过轻量化的“模态路由”解耦多模态记忆管理。在极具挑战性的多模态长记忆基准 Mem-Gallery 上，V-Mem 斩获了 0.825 的 LLM 评测分，远超此前最佳基准的 0.561；在带有输入图像的...
VideoDB：视频检索不是给文件打分！分层索引与可播放证据打破端到端神话
针对这一本质矛盾，基础设施团队 VideoDB 提出了一个明确判断：在物理与数字构成的视觉世界中进行搜索，本质上是一个系统架构问题，而非单纯依靠更大参数量训练出的端到端视频检索模型。
PRECOG：端侧RAG延迟从27秒降至6毫秒，O(1)状态注入实现4500倍提速
这项来自神经形态硬件与边缘 AI 领域的研究，提出了名为 PRECOG （Pre-Computed Context Injection，预计算上下文注入）的检索机制，以及面向长期设备记忆的 SMC （Structured Memory Consolidation，结构化记忆整合）架构。
TARL：告别粗暴二元写入，面向长程Agent的可执行三账本记忆架构
来自厦门大学等机构的研究团队提出了 TARL（Transaction-Aware Reliable Ledgers） ，从状态机与数据库事务的视角重新审视智能体记忆管理。
不是盲目压缩上下文，而是依赖回溯！ReTree让搜索Agent准确率提升25.6%
针对这一矛盾，上海交通大学的研究团队提出了一种名为 ReTree 的自纠错树状工作记忆机制。ReTree 并没有将搜索历史简单视为线性文本流或单向压缩的草稿，而是将搜索过程建模为带有依赖演化关系的证据树。
TANGLE：当个人记忆没有标准答案，清华与蚂蚁提出大模型不可化约冲突评测
清华大学与蚂蚁集团的联合研究团队指出了现有记忆基准的这一结构性盲区，并提出了全新的评测基准 TANGLE （Testing Agents’ Navigation of Genuine, Latent, and Entangled Memory Conflicts）。
AutoMem：用文本梯度搜索智能体记忆架构，准确率提升2.8分且降低14.3%消耗
针对这一瓶颈，该团队提出了 AutoMem ——一个基于“文本梯度”（Text-Gradient）递归自优化的自动化记忆架构搜索框架。该方法将记忆系统解耦为编码（Encode）、存储（Store）、检索（Retrieve）和管理（Manage）四个核心维度，并通过反思累积与失败归因，让智能体在...
不是改造Agent，而是进化知识库：大模型自我改进的新范式
最新研究提出了一个截然相反的互补范式：以知识为中心的自我改进（Knowledge-Centric Self-Improvement）。在这个架构中，核心假设被彻底颠倒——执行具体任务的 Agent 不再是长期维护、日益臃肿的复杂实体，而是保持通用、无状态、用完即弃的“临时工人”。
MemTX：不是写入就能行动！智能体事务级记忆协议，实现零下游不可逆危害
作者团队提出了模型无关的中间件协议 MemTX ，首次将数据库经典的事务机制、隔离级别与信念提交管线引入智能体记忆架构，实现从未成熟记忆到动作执行、再到撤销级联修复的全生命周期治理。
ChronoMem：给Agent记忆装上“撤回键”，首个实现全局语义回滚的开源框架
ChronoMem 的提出，不仅为开源社区提供了一个开箱即用的工程插件，更指明了 Agent 记忆机制演进的必然趋势。以往的研究和商业实现，大多将重心放在了“如何让 Agent 记住更多、关联更广”，但忽视了“如何让 Agent 可靠地回退、精准地纠错”。
TransMem：不必重算长上下文，稀疏隐藏状态化身外挂记忆
为了让 TransMem 学习到通用的“信息提取与利用能力”，而非特定的事实知识，作者提出了一种优雅的训练策略： 证据条件自蒸馏（Evidence-Conditioned Self-Distillation, ECSD） 。上图 (b) 揭示了该训练范式的精髓。
CoMem：大模型理解早于预测，按层切分让128k显存降至18GB
基于这一洞察，作者提出了 CoMem（Comprehension Memory，理解记忆） 架构。该方法放弃了在 Token 轴上硬扛完整深度 KV 的传统思路，转而沿 模型层深（Depth Axis） 对长文本记忆进行重组：在写入阶段，长文本块只向前传播到指定的中间层 。