一个小解码器让所有模型当上领域专家！华人团队新研究正在引起热议。 他们提出了一种比目前业界主流采用的DAPT（领域自适应预训练）和RAG（检索增强生成）更方便、且成本更低的方法。
过去几年，AI 的巨大突破赋予了机器语言的力量。而下一个前沿，是给予它们关于世界的记忆。当大模型只能分析短暂的视频内容时，一个根本性的鸿沟依然存在：AI 能够处理信息，却无法真正地“记住” 信息。如今的瓶颈已不再是“看见”，而是如何保留、索引并回忆构成我们现实世界的视觉数据流。
近期，基于大语言模型的智能体（LLM-based agent）在学术界和工业界中引起了广泛关注。对于智能体而言，记忆（Memory）是其中的重要能力，承担了记录过往信息和外部知识的功能，对于提高智能体的个性化等能力至关重要。
你说：“帮我列下今天的会议日程。” 它迅速回复：“9 点产品部，11 点市场部，下午 2 点财务汇报。”——完美。
大模型记忆管理和优化框架是当前各大厂商争相优化的热点方向，MemOS 相比现有 OpenAI 的全局记忆在大模型记忆评测集上呈现出显著的提升，平均准确性提升超过 38.97%，Tokens 的开销进一步降低 60.95%，一举登顶记忆管理的 SOTA 框架，特别是在考验框架时序建模与检索能力的时序推理任务上，提升比例更是达到了 159%，相当震撼！
OpenAI 有个反常规的设定， 他们将我生成的图片整理成一个画廊，但是点开图片并没有跳回到当时对话的选项，只能在这张图的基础上修改。 这也是很多AI目前的交互通病， 我和他们的对话正在丢失。
随着大模型应用场景的不断拓展，其在处理长期对话时逐渐暴露出的记忆局限性日益凸显，主要表现为固定长度上下文窗口导致的“健忘”问题。
我们常把LangGraph、RAG、memory、evals等工具比作乐高积木，经验丰富的人知道如何搭配使用，就能迅速解决问题
自Agent火了以后，有关"记忆"的框架如雨后春笋般涌现，但绝大多数仍是为"单兵作战"设计，难以适应需要复杂协作、信息交互量暴增10倍的多智能体系统（MAS）
该项目来自百家 AI，是北京邮电大学白婷副教授所指导的研究小组， 团队致力于为硅基人类倾力打造情感饱满、记忆超凡的智慧大脑。
