标签
APEx是一种分层经验利用框架，它将代理历史组织为记忆和技能，并通过闭环架构来提升深度研究问答的能力，实现了超越GPT-5.4的最先进性能。
Intern-S2-Preview 是一个科学智能体基础模型系列，集成了多模态预训练、多任务强化学习和记忆增强扩展，用于长周期科学推理与预测。397B 模型在科学和智能体基准测试中取得了具有竞争力的结果，其独立的记忆解码器扩展在不修改骨干网络的情况下提升了生物学指令性能。
BridgeVLA++ 是一个用于三维机器人操作的记忆增强视觉-语言-动作框架，它在 BridgeVLA 的基础上增加了时空记忆，在记忆依赖的操作基准上取得了最先进的成果，同时保持了数据效率和泛化能力。
ReMem提出了一种双层记忆增强的关键帧选择框架，用于免训练的长视频理解，在多个基准上实现了最先进的零样本性能。
本文介绍了一个冻结的12B模型，该模型利用已验证解决方案的持久内存，在已解决问题族上以零生成token实现100%准确率，并在单个46GB GPU上展示了600万token的可移动窗口。
一个冻结的120亿参数模型，结合了已验证解决方案的持久记忆，在九个问题家族超过180个实例上实现了100%准确率，使用零生成token，精确比特的确定性输出，在已解决任务上超越前沿模型，且计算消耗可忽略不计。
EvoSQL是一个面向Text-to-SQL的协同进化框架，通过带有情景记忆的生成器-评论器对迭代改进SQL生成，在Spider和BIRD基准测试上取得了性能提升。
Fractale-350M-base 是一个386M参数的基础模型，从零开始预训练，采用新颖的训练快速权重记忆库（8个向量）替代长上下文，完全开源，包括权重、代码和研究日志。
本文介绍了MAGE，一个用于分析提示优化中组件交互的框架，揭示了一种提示优化耦合效应（POCE），其中结合多个随机信号可以提高性能但会增加方差。它提供了对稳定性-性能权衡的洞察以及提示优化的实用指导。
HarnessVLA是一个记忆增强框架，利用冻结的视觉-语言-动作模型作为机器人可靠操作的原语，在不进行微调的情况下实现了显著的性能提升。
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。
本文介绍了Profile-guided Personalized Retrieval Optimization (PPRO)，一种通过将用户画像融入记忆检索并利用强化学习优化检索的框架，增强了长期对话智能体的能力，在现有方法上实现了持续改进。
ISM引入了一个自进化记忆系统，该系统存储并优化策略模式，以在连续学习场景下提升冻结LLM的数学推理能力，在MATH-Hard和OlympiadBench基准上优于基线方法。
本文提出TraceRetain，这是一个用于冻结LLM智能体中绑定外部存储的轻量级框架，表明选择性记忆保留主要在记忆流包含噪声时与缓存启发式方法区分开，从而带来任务成功率和效率的提升。
DuoMem 是一种双空间蒸馏框架，通过上下文空间蒸馏和参数空间蒸馏，将大型语言模型的过程性问题解决能力迁移至紧凑的学生模型，以极少的额外参数实现高性能并提升推理速度。该框架在 ALFWorld 上，将 4B 参数规模模型的任务成功率从 4.3% 提升至 77.9%。
ReM-MoA 引入了一种记忆增强的混合智能体框架，通过排序推理记忆和策划的多样化记忆路由来维持扩展，在五个推理基准测试中优于之前的 MoA 变体。
EventVLA 提出了一种稀疏视觉证据记忆框架用于长时域机器人操作，相较于最先进的记忆增强型VLA，平均成功率提升了40%。
本文介绍了 MIST，一个用于评估记忆增强大型语言模型中谄媚行为的基准，表明记忆系统将谄媚行为放大了高达 25 倍，并提出了轻量级的缓解措施，在减少谄媚的同时保持事实回忆能力。
介绍了Belief Entropy和Metacognitive Memory Policy Optimization (MMPO)，以提高长周期LLM代理的记忆质量，优于现有方法，并在长上下文中保持性能。
本文提出Polar，一种多模态记忆增强框架，用于在长期用户交互中个性化具身MLLM智能体，利用知识图谱和情景记忆从累积上下文中定位用户意图的实例。