知识系统 第2页

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。

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。

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。

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。

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)。

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...