#记忆机制

arXiv 上的新论文，教长期智能体把过往推理经验压成一个轻量策略，实验里把 DeepSeek 的推理 F1 从 0.789 拉到 0.868，做智能体记忆的可以看看。

MIT研究证明，在机器人控制任务中，简单的线性记忆机制配合非线性表示学习就足够了，不一定需要复杂的非线性循环动态。

Proteus给长上下文模型加了个记忆开关，逐步解锁容量，让SWLA、Titans这些模型在长文本上表现更好，越长的上下文提升越明显。

TEPA 这篇论文把记忆过期当成核心问题，用可撤销机制让智能体不被陈旧信息带偏。逆转测试里从 0.21 提到 0.95，效果很明显。

论文提出LiveMem，给LLM加了个永久记忆状态，上下文窗口再长也不怕忘事。在LongMemEval上跑分领先，值得一看。

论文用Qwen3-8B做实验，发现KV缓存里的事件行能独立保存计算视图，主动构造回答无关事件能让恢复率从6%跳到51%，对搞Agent记忆的人很有参考价值。

这篇论文提出一种新的动态视角合成方法，通过分开记忆更新和应用的频率，实现了实时处理，而且能记住长视频里的短暂遮挡区域。

Harrison Chase用三个实际项目告诉你智能体怎么记住东西，适合想搞记忆机制的开发者。

Harrison Chase@hwchase17原文

微软研究员拿Transformer和人类比记忆：听五小时故事，它能记住新密码，你行吗？看看具体差异在哪。

官方账号Microsoft Research@MSFTResearch原文

这篇论文搞了个EvolveNav，让机器人自己从失败中学习，零样本导航成功率直接涨了10%，而且没走那么多冤枉路。

做视频生成或世界模型研究的团队，这篇论文帮你拆解了记忆机制中容量、压缩、读取和循环四个关键维度，看完能直接指导你的模型设计。

eMoT 解决了大模型在多步推理中容易出错和产生幻觉的痛点，做推理增强或数学推理的开发者可以直接参考其记忆腐蚀和符号锚定机制，值得一试。

做AI智能体开发的团队值得关注——记忆机制是当前瓶颈，这篇论文直接挑战了“记忆越多越好”的假设，看完会重新思考你的记忆策略。

Gary Marcus@GaryMarcus原文

铁锤用大白话把AI Agent记忆讲透了，做智能体开发的团队看完能少走弯路，建议直接点开感受一下。

berryxia@berryxia原文