memory-architectures

AutoMem 是一个文本梯度递归自我改进框架，用于LLM代理中的自动化记忆架构搜索，它发现任务自适应架构，这些架构在准确性和效率上超越了人类设计的基线。

本文提出了一种用于智能体记忆的纵向评估工具，通过在文本生成之前生成事实来避免标签错误和污染，并证明短期基准测试相比长期性能可能会错误地排序记忆架构。同时，它还发布了用于智能体记忆评估的开源库Veracium。

本文探讨了在智能代理系统中，过程的因果链是否与结果同等重要，并质疑记忆架构是否应该存储因果线索而不仅仅是原始输出。

一篇比较RNNs、Transformers和SSMs中记忆设计的技术分析，主张关键问题在于序列状态应存储于何处，而非哪种架构更优。讨论了压缩隐状态、增长的KV缓存以及模型连接中类突触记忆之间的权衡。

本文介绍了多轮Text-to-SQL基准测试EnterpriseMem-Bench，并评估了五种前沿模型在不同记忆架构下的表现，发现无状态模型在第三轮时崩溃，且工作记忆带来的提升最大。