标签
研究提出按语义类别条件化的记忆保留置信阈值，取代单一的全局阈值，用于控制智能体长期记忆的写入边界；在Meta部署的冷启动记忆管线中，不受支持内容的保留率从6.2%降至4.0%。
这篇文章邀请AI用户分享在ChatGPT、Claude和Gemini等工具中，AI忘记上下文的真实例子，目的是在开发新解决方案之前研究这个问题。
分析师和 JPMorgan Chase 指出，人形机器人中的记忆保留是下一个重大突破，也是其发展中的关键瓶颈。
本文提出了CAMeR，一种用于LLM智能体的记忆留存框架，该框架结合了关键词门控混合激活与自适应权重动态，并推出了CAMeR-Bench，一个用于评估自适应记忆留存的基准测试。实验表明，与仅基于嵌入或时间驱动的基线相比，混合符号-神经门控在留存差距和检索效率方面表现更优。
本文将为长时域语言代理的记忆保留公式化为一个约束随机优化问题，提出了OSL-MR框架，该框架通过混合评分启发式强制实施可观测性安全学习。实验表明，在严格记忆预算下，该方法始终优于现有的启发式基线。
本文介绍了自巩固语言模型（SCoL），这是一种利用元强化学习将当前上下文写入模型权重以实现持续知识整合的框架。实验表明，在问答任务和长上下文巩固任务中，该方法在知识获取和保留方面均优于基线方法。