知识系统 第3页

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”。

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 。

WikiLoop:让检索反馈反哺知识库构建,多文档问答提升 6.3 分

腾讯的研究团队在论文中提出了名为 WikiLoop 的反馈耦合框架,尝试打破这一长期存在的单向壁垒。该方案的核心思路在于:构建一套专为智能体机器导航设计的原生维基知识库(Agent-Native Wiki),并将知识库构建者(Builder)与检索导航者(Navigator)的策略整合进同一个...

LeanMem:告别盲目摘要,三级异构记忆让Agent准确率提升15.1点

针对这种“高开销”与“信息丢失”的死锁,合肥工业大学的研究团队提出了轻量级长期记忆框架 LeanMem。该方案的核心洞察在于: 人类对话产生的信息天然具有异构性,试图用单一、均匀的“摘要-检索”流水线去处理所有对话历史,在底层逻辑上就是行不通的。

不是检索失效而是状态漂移!UIUC提出StateMem:记忆准确率提升1.8倍

然而,伊利诺伊大学厄巴纳-香槟分校(UIUC)的最新研究提出了一个截然相反且直击痛点的论断: Agent 在长程交互中犯错,往往不是因为“找不到事实”,而是因为“记错了版本”。随着交互时间推移,现实世界中的事实、用户约束、项目决策都在不断被修改、推翻或重新计算。

EgoMonth:首个跨月第一人称长视频基准,最强模型落后人类22.4%

基于这些长周期数据,EgoMonth 提出了一个受到认知心理学与工作记忆理论启发的 14 任务评估体系,将其清晰地划分为由浅入深的三个认知层级: 1. 图式巩固(Schema Consolidation) :评估模型从长时间高度冗余的生活记录中提取稳定行为模式与统计规律的能力。

ERSkill:让Agent记忆检索学会自我进化,综合表现最高提升31.3%

来自深圳国际工业与应用数学中心、中大深圳、深数院以及中山大学等机构的研究团队提出了 ERSkill(Evolving Retrieval Skill) 框架。这项工作跳出了“只优化记忆构建或推理引导”的旧范式,首次将 记忆检索行为本身 抽象为可执行、可组合的原语序列。

检索越多反而错得越多?11种Agent记忆底座横评揭示注意力分流机制

研究团队在系统梳理了 2023 至 2026 年间 52 个代表性记忆增强智能体系统后,指出了当前评测的三大结构性缺陷。超过六成的评测指标被完全集中在 LoCoMo 和 LongMemEval 等纯对话问答基准上,而真正考察工具调用、环境交互与顺序决策的智能体任务却长期缺席。