标签
ThinkFlow 是一种新颖的端到端潜变量记忆框架，专为终身对话代理设计，通过概率向量克服文本记忆瓶颈。它通过自进化和测试时学习实现自主个性化，性能超越现有记忆系统。
Lngram v2 为 Transformer 引入了一种高效且可扩展的潜在条件记忆机制，将记忆容量与骨干宽度解耦，并通过离散地址和结构化表示在视觉-语言模型中展示了一致的改进。
LatentStream 引入了一个渐进式潜在工作记忆框架，该框架内化流式视觉证据以进行连续推理，在视频基准测试中实现了最先进的结果。
FocusMem为GUI智能体引入了一种潜在记忆接口，将内容保留、状态条件读出和信任门控分离，以提高记忆可靠性。在五个GUI智能体基准测试中，它始终优于固定记忆基线。
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。