locomotive class
PulseAugur coverage of locomotive class — every cluster mentioning locomotive class across labs, papers, and developer communities, ranked by signal.
-
HyMem架构将LLM代理内存效率提升92.6%
研究人员开发了HyMem，一种新颖的混合内存架构，旨在提高大型语言模型（LLM）代理在长上下文场景下的效率和有效性。HyMem采用双粒度存储方案和动态两级检索系统，仅为复杂查询激活深度LLM模块，以减少计算开销。该方法旨在克服当前内存管理技术的局限性，这些技术要么通过压缩丢失关键细节，要么通过保留原始文本而产生高昂成本。在LOCOMO和LongMemEval基准上的实验表明，HyMem在显著降低计算成本的同时，性能优于全上下文方法。
-
EviMem 通过证据差距诊断改进对话记忆检索
研究人员开发了 EviMem，一个通过迭代改进检索查询来增强长期对话记忆的新框架。与以前的方法不同，EviMem 明确识别并解决“证据差距”——即从检索集中缺少哪些信息——以使查询改进更具针对性。这种结合了 IRIS 和 LaceMem 的方法，在 LoCoMo 基准测试中，在时间和多跳问题方面准确性有了显著提高，同时还降低了延迟。
-
AdaMem: 面向长对话代理的自适应用户中心记忆
arXiv上发布的多篇研究论文提出了增强大型语言模型（LLM）代理记忆能力的新框架。这些方法旨在克服处理长期对话和个性化交互的局限性。创新包括用于记忆组织和检索的自适应图智能、对话数据的结构化锚定以及用于高效记忆管理的基于嵌入的路由。所提出的系统，如MemORAI、GRAVITY、MemRouter、TiMem和AdaMem，在LoCoMo和LongMemEval等基准测试中展示了最先进的性能，提高了连贯性、个性化和推理能力。
-
ZenBrain AI 集成 15 个神经科学模型，构建先进记忆架构
研究人员推出 ZenBrain，这是一种受神经科学原理启发的、用于 AI 系统的新型七层记忆架构。与使用工程隐喻的现有 AI 记忆系统不同，ZenBrain 通过整合十五个神经科学模型和九个基础算法，融入了巩固、遗忘和再巩固等概念。该架构包括六个新的预测记忆架构组件，例如神经调节器引擎 (NeuromodulatorEngine) 和优先级图 (PriorityMap)，旨在提高记忆稳定性和效率。消融研究表明，在记忆保持和检索准确性方…
-
AI 记忆系统模仿人类遗忘，保留率达 52%
研究人员开发了一种新的 AI 记忆系统，该系统模仿人脑的遗忘过程，实现了 52% 的记忆持久性。该系统名为 YourMemory 和 LoCoMo，计划于 2026 年发布。预计这一发展将对技术、伦理和人机交互产生重大影响。
-
新的人工智能智能体记忆系统利用视觉和语义方法处理长时程任务
两篇新的研究论文提出了用于自主人工智能智能体的创新记忆架构，以处理长时程任务。OCR-Memory 利用智能体经验的视觉表示，以最小的开销存储广泛的历史记录，并通过定位和转录方法检索信息以减少幻觉。Memanto 引入了一个具有信息论检索引擎的类型化语义记忆系统，通过消除摄入延迟并与基于图的系统相比降低操作复杂性，在基准测试中实现了最先进的准确性。
-
AI 代理通过新研究和模型获得先进的长期记忆能力
2026年6月发布的多篇研究论文探讨了 AI 代理长期记忆系统的进展。Qwen 发布了开源稀疏专家混合模型 Qwen3.6-35B-A3B，强调了其代理编码能力。几篇论文介绍了新的记忆架构和框架，包括用于上下文恢复的 RaMem、用于预测世界模型的 Nous、用于原子事实的 AtomMem，以及用于记忆驱动的自我演进的边际优势累积（MAA）。这些工作旨在改进 AI 代理在扩展交互和不断变化的环境中存储、检索和利用信息的方式，解决上下文…