论文页面 - EverMemOS：面向结构化长期推理的自组织记忆操作系统

来源：https://huggingface.co/papers/2601.02163 作者：

,

,

,

,

,

,

,

,

,

摘要

EverMemOS 为大型语言模型提供了一种自组织记忆系统，将对话流处理为结构化的记忆单元和场景，以增强长期交互能力。

大型语言模型（https://huggingface.co/papers?q=Large%20Language%20Models）（LLMs）正越来越多地部署为长期交互智能体，但其有限的上下文窗口使得在长时间交互中保持连贯行为变得困难。现有的记忆系统（https://huggingface.co/papers?q=memory%20systems）通常存储孤立的记录并检索片段，这限制了它们整合不断演变的用户状态和解决冲突的能力。我们引入了 EverMemOS，一种自组织记忆操作系统，为计算记忆实现了受印迹启发的生命周期。情景痕迹形成（https://huggingface.co/papers?q=Episodic%20Trace%20Formation）将对话流转换为 MemCells（https://huggingface.co/papers?q=MemCells），捕捉情景痕迹、原子事实和有时间限制的 Foresight（https://huggingface.co/papers?q=Foresight）信号。语义整合（https://huggingface.co/papers?q=Semantic%20Consolidation）将 MemCells（https://huggingface.co/papers?q=MemCells）组织成主题性的 MemScenes（https://huggingface.co/papers?q=MemScenes），提炼稳定的语义结构并更新用户画像。重构性回忆（https://huggingface.co/papers?q=Reconstructive%20Recollection）执行 MemScene 引导的 agentic 检索（https://huggingface.co/papers?q=agentic%20retrieval），为下游推理组合必要且充分的上下文。在 LoCoMo 和 LongMemEval 上的实验表明，EverMemOS 在记忆增强推理（https://huggingface.co/papers?q=memory-augmented%20reasoning）任务上达到了最先进的性能。我们进一步报告了在 PersonaMem v2 上的画像研究，以及展示对话导向能力（如用户画像构建（https://huggingface.co/papers?q=user%20profiling）和 Foresight（https://huggingface.co/papers?q=Foresight））的定性案例研究。代码可在 https://github.com/EverMind-AI/EverMemOS 获取。

查看 arXiv 页面（https://arxiv.org/abs/2601.02163）查看 PDF（https://arxiv.org/pdf/2601.02163）GitHub 4.47k 星（https://github.com/EverMind-AI/EverMemOS）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2601.02163）

在您的智能体中获取这篇论文：

hf papers read 2601.02163

还没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型 0

没有模型链接到该论文

在模型 README.md 中引用 arxiv.org/abs/2601.02163 以从该页面链接。

引用该论文的数据集 0

没有数据集链接到该论文

在数据集 README.md 中引用 arxiv.org/abs/2601.02163 以从该页面链接。

引用该论文的 Spaces 0

没有 Space 链接到该论文

在 Space README.md 中引用 arxiv.org/abs/2601.02163 以从该页面链接。

包含该论文的收藏集 2