标签
提出MemDefrag，一个无需训练的框架，利用中间层追踪信号对大型语言模型中的潜在记忆进行碎片整理，在知识保留方面显著优于MemoryLLM和M+等现有方法。
LaMem-VLA提出了一种原生于潜在记忆的框架，将短期和长期历史经验直接整合到视觉-语言-动作推理中，从而在长周期机器人操作任务上实现更优性能。
EvoEmbedding是一种动态嵌入模型，它维护一个持续更新的潜在记忆，为长上下文检索生成自适应表示，性能优于更大的专业模型，并改进智能体工作流。
潜在记忆（Latent Memory）引入了一种用于问答中外部记忆的压缩表示方法，在减少Token消耗和存储需求的同时，在纯文本和多模态基准测试中保持有竞争力的表现。
ElasticMem 为 LLM 智能体引入了一种可学习的潜在记忆机制，该机制能够自适应地为检索到的记忆分配可变预算，从而在减少 token 成本的同时，提升内存密集型问答和具身智能体任务的性能。
本文介绍了JAMEL框架，该框架利用新奇信号联合训练代理记忆与探索策略，从而在开放环境中实现高效探索，并降低计算成本。
本文将上下文蒸馏表述为一个潜在记忆管理问题，提出一个框架，将蒸馏后的上下文存储为独立的LoRA适配器，并通过检索、路由和自门控机制来提高鲁棒性和效率。