搜索：长期记忆基准

「长期记忆基准」共找到 1564 篇相关文章

视觉语言模型“扫地僧”：360低调开源FG-CLIP2登顶29项全球基准测试 | 甲子光年

两周前，360人工智能研究院低调开源FG - CLIP2，它在29个公开基准测试中超越Google和Meta的模型。该模型实现局部细粒度识别和原生双语对齐，为AI视觉理解设新基准，已服务开发者并在多领域落地。

华为诺亚研究员推出全新编程基准HLCE，含235道竞赛难题。实验显示，顶级LLM在该基准表现不佳，推理模型优势大，IOI交互式题难攻克。研究还发现模型自我认知与推理能力发展不同步，Test Time Scaling Law远未达上限。

本文聚焦 OpenClaw 引爆的智能体革命，对话专家探讨记忆系统及下一代 Agent 走向“长期主义”的底层逻辑。指出 OpenClaw 记忆起初是优势，后成短板，还讨论了从“记住”到“会用”、多 Agent 协作等问题。

通常提高大语言模型事实准确性需更大模型规模，会增加计算成本。Meta研究人员在transformer架构加可训练记忆层，可高效存储提取信息，提升计算效率，测试显示其能提升模型输出质量。

Anthropic为Claude推出引用过往对话新功能，向部分用户开放，其他用户也将很快获得。它能搜索和引用历史对话，与ChatGPT记忆功能不同，是按需检索，检索原始内容，还能隔离工作与个人内容。

今日凌晨，OpenAI联合创始人Sam Altamn宣布为免费版ChatGPT提供轻量级记忆功能，未来还会改进。该功能可根据用户对话习惯等个性化回答，对多领域帮助大，文中还介绍了其使用方法及常见问答。

上海人工智能实验室与香港中文大学研究团队发布论文，用MathIF基准揭示大模型“聪明”和“听话”有矛盾，越擅长推理越易忽略指令，还分析了原因并给出让模型更“听话”的方法。

为评估大型语言模型（LLM）编码能力，斯坦福、普林斯顿和康奈尔研究人员开发 CodeClash 基准测试，让多个 LLM 在多轮比赛中较量，涉及多种代码竞技场，还评估模型分析代码库能力，未来将处理更大代码库。

十几个小时前，DeepSeek 发布新论文，与北大合作，作者有梁文锋。针对大模型问题提出条件记忆，用 Engram 模块实现，已开源。结合此前研究，DeepSeek v4 模样渐清。模型性能、效率表现优，并发现 U 型扩展规律。

智能代码编辑器 Cursor 正式发布 1.0 版本，带来多项重磅功能，如自动代码审查助手 BugBot、Jupyter Notebook 原生支持、项目级 AI 记忆等，还提升了用户体验，是向“AI 编程操作系统”迈进的重要一步。