新闻、仓库与研究，按时间排列。
研究者提出记忆整合框架 PreCoMem，将用户记忆表示为置信加权信念，用有效惊异度结合语义偏离与矛盾证据驱动三档确定性更新。该方法在 LoCoMo、LongMemEval-S 和 PersonaMem-v2 上取得一致最优准确率，新基准 DiMoBench 显示其能适应非平稳信念漂移而不对噪声过度反应，论文已被 NeurIPS 2026 接收，代码已开源。
推荐理由：论文把记忆更新拆成置信加权信念加双阈值门控，区分噪声与真实漂移的思路可迁移到自己的长期对话系统。
研究者提出 OSynth，一个模拟组织的大规模合成数据集，包含 570 小时会议音频、相关文档及潜在真实状态。人类评审基于 150-300 词片段，区分 OSynth 会议与真实会议转录的准确率仅 56%。测试显示，引入日历、以往会议等额外上下文可使多个 LLM 在实体敏感维度显著提升。
Parlant 4.0 引入轻量级第一阶段的 Signals and Queries（S&Q）相关性过滤器，可在下游评估前剔除至少 30% 候选策略并保持高召回，且每轮无需 LLM 调用。在覆盖 254 个 τ²-bench 对话前缀和 36 条航空公司策略的 9,144 个 LLM-judge 相关性标签上，S&Q 在所有召回水平下的精度均高于 top-K 和余弦阈值检索。该方法为面向客户的 Agent 降低下游评估成本提供了实用的第一级过滤方案。
研究者提出 Memory-Centric Continual Learning（MCCL），主张应依据记忆能否改善智能体未来行为而非仅凭检索效果来评估记忆。框架包含三部分：按存储基底、记忆资产和管理策略划分的三轴分类法与内外双循环生命周期；测量干扰下保持、变化适应和任务迁移的评估协议；以及刻画性能随经验、存储和计算预算扩展的记忆扩展框架，覆盖非参数与参数记忆，推动智能体记忆从被动检索转向持续学习。
IndustrialRemembr 将 NVIDIA ReMEmbR 扩展到仓库机器人机群，构建共享时空记忆系统，通过按需生成场景描述降低服务器端计算。每台机器人上的 NVIDIA Jetson 用 Cosmos-Embed1、Cosmos3-Edge 和 Wan2.2 VAE 编码视频，不上传原始画面，并在图像补丁中置零人物以支持符合 GDPR 的 PII 抽象。Cosmos3-Edge 在视觉-语言边界切分，缓存 token 解码在全部 450 次测试解码中复现了未切分模型的输出。
Rahul Sajnani 等人在 arXiv 发布 UniWALM，一个在单一 mixture-of-transformers 骨干中统一学习视频、动作与语言的模型，各模态扩散头同步去噪，生成的文本记忆在下一步被重新消费，无需外部规划器或记忆库；并引入 Flow Matching with Correction（FMC）训练目标，在不增加推理开销下教模型从受扰动作轨迹恢复。UniWALM 在 MolmoSpaces 组合抓放和 RLM... 在 RMBench 记忆子集达 34.5%，超过带关键帧的 Mem-0 设置（28.5%）；真实世界 Find-the-Item 任务中生成文本记忆把成功率从 11.1% 提到 61.1%，而现有 VLA 不高于 33.3%。
Masahiro Kaneko 在 arXiv 论文（arXiv:2610.28315）中发现，LLM Agent 在对话中读取持久记忆会引发自我强化的隐私泄露循环。多会话仿真中，带 24 项个人属性的模拟用户与支持类 Agent 对话，四个支持模型里读取记忆既提升回复质量也提高属性被正确推断的比例，且差距随会话扩大，因为记忆条件回复把旧值作为预设带入，用户确认或不纠正使其变成记录值。指示 Agent 不陈述或预设属性可将泄露降到接近无记忆水平并保留大部分质量增益，而过滤或匿名化用户输入或存储内容会损失较多质量。
推荐理由：这篇研究用多会话仿真揭示了带持久记忆的 LLM Agent 中自我强化的隐私泄露循环，并给出在回复端抑制泄露的可行做法。
研究者推出 OptionWorld 基准，通过模拟日常生活任务追踪 LLM 的信息获取、判断、行动与结果，定位其作为长期个人助理的短板。在存档决策输入的运行中，35.5% 的失败实例的关键事实在截止期前仍保留在模型最后的输入里。失败分析指出三大问题：所需信息未获取或整合、可行动机会未被利用、智能体施加任务并不要求的限制。
论文提出 cache engineering 方案，让 LLM 智能体通过 drop 和 repos 操作直接控制活跃 KV cache，无需修改轨迹或重新 prefill。配套的 AKV 推理引擎提供无状态接口并内部管理缓存复用；工具响应滚动 drop 策略相比阈值触发的摘要方法平均提升基准分 1.7 分、降低成本 27.7%，AKV 实现最高 1.2x 输出吞吐和 1.5x P95 延迟加速。
推荐理由：论文提出让智能体直接操作 KV cache 的缓存工程方案，附带与常规摘要策略的成本和延迟对比数据。
arXiv 论文提出扩散语言模型（DLM）中的事实访问状态概念，发现其与自回归模型不同，事实查找在第一层注意力与早期前馈层就完成。基于该状态，论文的 Multi-View Edit 知识编辑方法在改写和反向问答上显著优于 AR 编辑器，且各实体位置的状态可免训练地作为关系特定检索向量，在双实体查询中能同时返回两条证据。论文链接 https://arxiv.org/abs/2610.27580v1。
推荐理由：论文指出扩散语言模型的事实访问状态在首层注意力就组装完成，并据此给出知识编辑与免训练检索两种用法，可作理解 DLM 与 AR 机制差异的对照。
研究者提出 Memory as Code（MaC）框架，通过统一的代码抽象联合设计 LLM 智能体的记忆构建与检索。MaC 采用原子函数层、关系层到模块组合层的三层可执行记忆结构，并将检索改为对记忆的声明式查询处理。在 LoCoMo 和 LongMemEval 上，相对各设置下最强基线，LLM-judge 整体准确率最高提升 15.91%，同时大幅降低 token 消耗。
一项基于 HighwayEnv 测试床、以 gpt-4o-mini 运行的受控评估研究了经验记忆何时能帮助闭环 LLM 驾驶智能体。结果显示：10 个重采样热身池中，检索式记忆仅在 1 个池优于 No-Memory（sign test p=0.011），且任何被测检索设计都未超过 token 匹配的无关填充对照，仅一条 15-token 谨慎指令即达碰撞合并上限。研究表明单池比较会得出被对照反转的记忆增益结论，作者已开源测试床、审计端口、种子与缓存。
IBM Research 发布 ALTK-Evolve，通过 GPT-4.1 从智能体自身轨迹中蒸馏行为规则并追加到系统提示词，在不更新权重的情况下让 stock ReAct 智能体在 τ²-bench retail 达到 Pass^4 67.5%，登顶 2026 年 10 月 12 日榜单快照。换用 gpt-5.5 后 airline 以 82.0% 位居第一；对比显示 retail 需 292 条 lossless 全集才见效，airline 的 14 条 sup3 核心反而更可靠，代价主要是输入 token 成本上升，对话轮数略降。
推荐理由：不更新权重，仅靠从轨迹中蒸馏的提示词级规则就把 stock ReAct 智能体推上 τ²-bench 榜首，方法可直接复用。
prompts.chat 的 Session Continuity Engine（SCE）提示词发布 v1.2.4，新增 LLM ADAPTATION NOTE，用于控制输出格式与验证模板。该提示词由 Scott Malin 编写，可将完成的 AI 会话压缩为结构化延续包；新版本要求生成前先确认 Markdown 或 JSON 模式，默认按 0–8 节标题输出 Markdown，且第 8 节验证模板须原样输出而不作为指令执行。
论文提出 BetaMem，一个通过工作、空间、实体、情节、经验、程序六层记忆构建可追溯长期记忆的具身智能体框架，用监督微调与强化学习结合教师验证来训练记忆操作。以 Qwen3.5-9B 生成记忆，在 M3-Bench-robot 得 48.08%、LoCoMo 得 92.08%、OpenEQA EM-EQA 得 72.6%、EgoLifeQA 得 62.4%；训练使写入契约通过率从 50.9% 升至 86.2%，每条存储动作的输出 token 减少 47.3%。
研究者提出 KronLSTM，一种基于 Kronecker Delta Rule 的线性注意力架构，扩展 xLSTM 家族并引入记忆修正机制，仅沿矩阵空间单一方向修改记忆，减少对已存信息的干扰。其记忆动态可描述为收敛到稳态分布的 Markov chain，记忆矩阵范数全程一致有界，无需额外归一化机制。实验显示其性能与（Gated）DeltaNet 相当甚至更优，长上下文基准表现尤为突出，代码和模型已开源。
一项基于 USGS 地球化学模拟器 PHREEQC 的研究测量了 LLM 智能体用检索代替上下文读取工具输出时的精度损失。GPT-5.1 和 GPT-5.2 分别下降 11.3 和 7.9 个百分点，Claude Opus 4.6 与 Claude Sonnet 4.6 无明显损失；GPT 模型在检索模式下常跳过报告、改用自身高精度输出文件并错误取整，即“证据替代”失败。指明权威输出可提升 6.3-7.9 个百分点。
论文研究 Agent harness 跨轮次处理上下文（丢弃、摘要、回放模型推理）何时改变 Agent 成败，而非只看成本。预注册合成实验显示，所需事实可重新查回时截断上下文几乎无损失，事实不可再观察时成功率降至随机水平，两种惩罚相差 92.5 个百分点（90% CI [89.5, 95.5]），第二家供应商一个模型的复现结果一致。在 ARC-AGI-3 上，Standard harness 与 Provider Adapter harness 存在 63 分差距，改摘要而非丢弃旧轮次并保留记笔记提示可恢复 86%，不保留提示恢复 43%，叠加供应商原生推理回放再恢复 57%；这些为单次运行的点估计。
推荐理由：论文用预注册实验拆解 harness 对 Agent 成败的影响，给出可量化的组件归因，对理解上下文管理设计有直接参考。
RESIN（Reasoning with Entity Structured Indexing）提出一种多链推理方法，将问题分解为单跳需求，检索源文本证据并放入紧凑推理缓冲区，保留多个候选依据直至最终组合。在 HolisQA 基准全量测试中，RESIN 取得 82.92 context recall 和 76.70 answer relevancy，五个领域的 CR 与 AR 均高于已发表基线。消融实验表明类型化证据多样性和逐跳分解都不可或缺。
研究团队发布 MemT-1.0 记忆基础模型架构，基于 Metis 和 Gated DeltaNet-2，通过 Mixture-of-Storage 扩展原生记忆容量，采用继续预训练加后训练的两阶段训练流程，训练数据 34B tokens，提供 Nano 和 Flash 两个版本。评测显示其平均优于参数化记忆基线、与检索增强方法相当，在 128K tokens 历史长度下 MemT-1.0-Nano 相比全上下文 KV cache 实现约 1.86 倍端到端推理加速和 66 倍持久存储缩减，论文链接 https://arxiv.org/abs/2610.26825v1。
推荐理由：原文给出记忆基础模型的架构设计、训练数据和评测对比，读者可以据此了解把记忆内化为模型计算的具体做法与代价。
KEEP-Bench 是一个诊断性基准，通过 4,102 个案例直接评估上下文压缩的证据保留忠实度。实验显示，即使输入平均仅 3.1K token，最强开源模型（31B）保留全部所需证据的比例也只有 66.8%，最强闭源模型为 61.6%。论文还提出 EPR 指标，发现证据召回在 4B-8B 中等规模达到峰值，主张未来研究应在小计算预算下提升信息保留能力。
研究者提出 LatComm，一种大语言模型间潜在通信接口：冻结的编码器 LLM 将上下文压缩为固定大小数据包，接收方 LLM 通过 cross-attention 按问题读取。在 12 个多选题问答数据集上，其平均准确率比单向量基线最高提升 10.2 分；在 QuALITY 上将接收方输入减少 57x，回答同一文章的多个问题速度快 3x。
论文提出 OpenVLHarness，一个围绕能力层与持久多模态记忆组织的多模态推理框架，统一调用异构工具并把输出转为模型可读证据。在 22 个基准、8 个开源与专有骨干上评测，平均比无工具基线提升 9.7-12.6 分，如 Qwen3-VL-8B +11.2、Kimi K3 +9.7、GPT-6 Astra +9.9；用 GPT-6 Luna 中等推理强度时以最多 37% 的模型 token 成本超过最大推理强度下的基线模型、Codex 和 Visual Sketchpad 7.7-8.5 分。
推荐理由：论文在 22 个基准上用八个骨干实测工具调用加多模态记忆的增益与 token 成本，方法和数字都可对照复核。
研究者提出可编程搜索框架 Retrieval Program Learning（RPL），让策略通过强化学习把搜索原语组合成带局部状态与控制流的程序。针对稀疏反馈下的探索难题，其 program mutation 方法将次优程序的局部变体转为训练轨迹蒸馏回策略。在开放域问答与语料级推理任务上，RPL 训练的 4B 模型超越所有 8B 基线，多跳任务提升显著，同时降低上下文消耗与检索轮次。
论文提出 DialogMem，一个两阶段基准，智能体从时间对齐的 RGB-D 观测与对话流中构建记忆，再用于实例级物体导航和问答。基准覆盖 27 个真实 3D 场景的 142 个 episode，含 14,193 个 QA 对和 11,890 条导航指令；在统一框架下评测九种记忆表示。实验显示，评估时把对话附加到视觉记忆可显著提升 QA 但几乎不改善导航，说明相关对话存在于记忆中却未绑定到具体物体。诊断实验进一步识别出三个瓶颈：记忆形成时的物体级绑定与组织、正确条目的检索，以及空间位置定位。
推荐理由：论文在统一框架下对比九种记忆表示，指出对话融入视觉记忆对导航帮助甚微，并定位了物体级绑定、检索与定位三个瓶颈。
一项 arXiv 研究（arXiv:2610.24671）在 LongMemEval-S 和 BEAM-100K 上对比六个 SOTA 显式记忆系统与原始历史 RAG，发现后者并无一致劣势，显式记忆只在特定问题类型和紧凑运行时上下文预算下有局部收益。Oracle 检索显示部分系统在记忆构建时丢失答案支撑信息，另一些则保存了却检索不出，尽管构建成本可达每段对话数小时；作者指出改进对已有信息的检索可能比构建更精细的显式记忆更重要。
推荐理由：原文用受控检索设置对比六种显式记忆系统与原始历史 RAG，指出检索环节被低估，方法结论可迁移到记忆系统设计。
该研究针对工业检索中 embedding 召回的收益递减问题，提出应分阶段评估检索与重排（reranker）环节。在中文法律检索基准上，embedding top-300 已进入高召回区间，作者比较了 embedding-mined、self-mined 与动态负样本等训练策略，发现 embedding-to-self-mined 流水线性价比最佳。该流水线可将 reranker 从 0.6B 扩展到 4B，训练后的 4B Stage2 模型在 STARD、CSAID 基准和内部开发集上指标提升，并在 410 条内部查询的离线偏好评测中于 72.4% 的非平局对比中胜出。
一项对照研究在 Qwen2.5-3B 上以 6B token 持续训练预算比较上下文扩展的长文档选择方法，发现随机采样长文档优于 repacking，而按 LongPPL 关键 token 密度选文档效果更好。其提出的 truncLongPPL 通过截断前缀计算密度，获得 2.28× 端到端评分加速，在验证 HELMET 上超过 random-long 4.54 分、held-out RULER 上 3.28 分。在 Qwen2.5-3B、Qwen3-8B、OLMo 3-7B 的短长混合训练及 SFT 后，该方法的 LongBench v2 提升 1.13–1.67 分、MRCR 提升 0.62–1.44 分。
腾讯混元发布 Hy-Memory-30B-A3B，一个约 3B 激活参数的长期记忆写入模型，可直接替换 Mem0、MemOS、Hy-Memory 等外部记忆框架中的通用 LLM。训练分两阶段，先做 Memory On-Policy Distillation 再做归因记忆强化学习，可零改动迁移到未参与训练的 EverMemOS。在固定 20% 基准子样本的四框架宏观平均分上得 55.49，超过 Claude Opus 5（54.62）和 DeepSeek V4.1 Flash（53.64）。权重、框架代码和技术报告均已开源。
推荐理由：原文给出了固定基准矩阵上与多个通用大模型的横向对比，可以评估这个小模型在记忆写入上的性价比。
GLOBE 是一个智能体框架，通过不断演化的分字段行为手册存储优化知识，让语言代理在生成式搜索的电商产品优化中持续自我改进。每轮由 Editor 应用行为并根据排名反馈、Reflector 转化为行为更新，Moderator 去重、Curator 提交更改并停用有害行为。实验显示结构化行为优于整体式提示词优化，且在未见过的品类上依然有效。
VISTA（Value-Informed Steering and Targeted Acquisition）从用户的完整或部分问卷答案推断潜在画像，通过 hypernetwork 映射为对冻结 LLM 的用户特定引导干预。在 Food2D、World Values Survey（WVS）和 PrimeX 上，VISTA 匹配或超越 in-context 画像，且不增加 prompt token。在 WVS 上仅询问 6% 的问卷即可保留 94% 的全量历史增益，而标准自适应测试最多保留 42%。
Dabin Sheng 提出 TIDER，一个时间感知的智能体检索框架，用强化学习训练的 1.7B 时间区间定位器推断证据所在时间窗口，与语义通道结果合并后按窗口邻近度重排。在 LifeBench 上取得 61.52%（+8.82%）、LoCoMo 上取得 78.96%（+3.66%）的 SOTA 准确率，论文已被 NeurIPS 2026 接收。
推荐理由：论文把时间约束放进检索阶段本身，用 RL 训练轻量定位器解决语义相似记忆挤掉目标记忆的问题，并给出基准数据。
论文提出 MARS，一种记忆感知路由框架，通过 Query and Topic Manager（QTM）估计会话状态，统一指导记忆构建策略和在线模型选择。在 RealMem 上，MARS 以 14.5% 的生成 API 成本保留了全上下文 GPT-4o QA 性能的 98.2%，并在对比系统中取得最强的记忆召回和检索分数；在 MultiChallenge 上整体略逊于最强静态系统，但在机制导向子集上以更低成本接近其表现。
推荐理由：论文给出记忆构建与模型路由的统一框架，并报告了在质量与成本间的具体权衡数据，可作为长程助手系统设计的参考。
研究者提出 Darwin-Claw，一个环境自适应的自进化框架，通过分层经验整合系统将情境经验蒸馏为可动态更新的原型向量，驱动智能体技能与持久记忆的持续演化。该框架可自动部署、兼容主流 agent 系统，无需人工整理。在 WildClawBench 上实验显示其带来显著性能提升，为自主智能体的用户中心持续适应提供可控稳定路径。
研究者提出 MIST 评测，将指令变更与记忆分离，发现视频世界模型失败瓶颈在于未执行指令变更，而非遗忘。据此提出的 M3-Agent 方法递归修订输入指令细节，使模型成功执行请求，MIST reveal 得分较基线提升逾三倍，WRBench 的 T 提升 26.1%，MBench-T 的 U 提升 52.7%。
Jaewon Sok 在 arXiv 发表论文，提出许多闭卷事实错误源于模型在首 token 选错，而答案知识已编码在模型中。实验显示在 16 个开源模型上，仅预填正确首 token 就能纠正英文 QA 多 token 答案中五分之一到一半的错误，并在多语言基准的全部 7 种语言中提升准确率；这类可恢复错误集中在首个解码步骤，是推理时方法可能收益最大的位置。论文链接 https://arxiv.org/abs/2610.23400v1
推荐理由：论文给出 First-Token Cueing 探针和 16 个开源模型的实测数据，把一类闭卷错误定位到首个解码 token，可借机了解推理时干预的着力点。
MemCompile 是一个面向长期对话记忆的查询条件化证据编译框架：Address Plane 通过带来源链接的描述符和容量感知 Cells 定位相关支持，并经归一化边界将异构检索结果统一为稳定的 SourcePacket；Evidence Plane 则在有限证据预算内选择并渲染出可直接作答的上下文。该框架在 LoCoMo 上取得 80.52% 的 Judge Accuracy，将质量-成本 Pareto 前沿推向更高质量区间，并在 LongMemEval-S 上同样表现强劲。
研究者提出自反思思维链（SRCoT），将 LLM 生成组织为 Retrieve--Reflect--Revise 闭环，把环境状态、持久知识、经验与短期记忆分入带来源标注的存储，用 BM25 检索提供本地上下文。原型在配备 128 GB 内存的 Apple M4 笔记本上本地运行，于急救医疗和 Munich-Sim 应急仿真两个合成场景中展示了来源标注、缺失标记与结构化输出。作者强调这是研究性概念验证，尚未证明幻觉减少或操作安全性，且需人工审查。
一项 arXiv 研究提出 LLM 智能体的逐决策记忆充分性问题：从全部记忆中选出小规模子集以保持完整记忆行为。作者推出含九类交互、六个工作流领域的 JointCoreBench 基准和按相关性代价排序的组删除基线 JointCore。在 6,912 个精确条件下，JointCore 100.0% 恢复最小代价充分集，将子集评估从 30.00 降至 11.13（减少 62.9%），实现 87.8% 活跃记忆节省；在四个 12B-70B 模型族上均值为 10.28 对 16.00 次模型查询。
研究者提出一个概念框架，通过多维度和子维度对现有 RAG 技术进行表征（“是什么”）与分析（“做得如何”），框架基于对文献中 RAG 技术属性的定性分析构建。它可作为实证基准测试前的预筛选机制，帮助研究者和实践者在昂贵的实测之前，选出契合特定用户与任务需求的 RAG 候选方案。