昨天我看到一篇关于 δ-mem 并与 openclaw 集成的新研究论文

将智能体响应质量提升 7-32%。根据传入内容，不会增加上下文窗口。不传入任何内容时提升 7%。该项目目前除 mlx qwen3:4b 外尚不可用，直到有人为其训练适配器。我建议让你的 claw 检查 huggingface，以便知道何时发布！原论文声称最高提升 30%，但我发现通过使用 openclaw 智能体可以获得更好的结果，最高达到 32%。基准测试已标准化，样本量 n=15。插件 GitHub 链接：[https://github.com/elimaine/openclaw-delta-mem-mlx-plugin](https://github.com/elimaine/openclaw-delta-mem-mlx-plugin) Clawhub 链接：[https://clawhub.ai/plugins/@elimaine/openclaw-delta-mem-mlx](https://clawhub.ai/plugins/@elimaine/openclaw-delta-mem-mlx) 原论文：[https://arxiv.org/abs/2605.12357](https://arxiv.org/abs/2605.12357) 我进行了大量基准测试，你可以在此处阅读详情；如果表格看腻了，可以向下滚动到图表，那里展示了重点信息。不过结果可能已发生变化，因为我又做了许多改进和加固。[https://github.com/elimaine/delta-mem-mlx-sidecar-w-openclaw/blob/main/wiki/Benchmark-Findings.md](https://github.com/elimaine/delta-mem-mlx-sidecar-w-openclaw/blob/main/wiki/Benchmark-Findings.md) TL;DR：传递 qmd vsearch 以获取适配器注意力状态。实现 32% 的提升，但代价是 30-61% 的速度下降。我的项目仅适用于 Apple Silicon 上的 mlx。将其移植到 CUdA 会很容易且更快。一旦 qwen3.6:27b δ-mem mlx 适配器发布，这将成为地球上最好的本地堆栈（更高参数除外）。祝各位实验愉快！