「记忆评测基准」共找到 1796 篇相关文章
GLM-5.1夺开源模型第一，长程任务更稳，一句话就能生成文章短视频
智谱官宣GLM-5.1开源，代码能力增强，在三项代码评测基准综合平均分上，取得全球模型第三、国产及开源模型第一。它专为长程任务设计，能8小时持续工作，还能一句话生成短视频，是平替Claude Sonnet 4.6的优选项。
雇佣过目即忘的天才：为什么企业级AI总在浪费钱？| 甲子光年
当下企业级AI缺乏连续性、动态数据割裂，主流外挂RAG的解法无法解决‘认知’问题。红熊AI的‘记忆熊’开源，构建记忆系统结合Agent平台，解决多场景痛点，还将推动记忆科学‘芯片化’。
Claude「永久大脑」，真的来了！
著名AI追踪平台TestingCatalog爆出，Anthropic正为Claude测试「双模记忆系统」，包括「经典记忆」和「文件记忆」。此外，「梦境」预览版亮相，还有终极Agent平台Claude Conway登场，7x24h永不下线。
2026 年做搜索就是做 Agent Memory
本文整理自Elastic全球副总裁肖涵演讲，讲述AI搜索发展历程，指出2026年做搜索基本是做智能体记忆。分析智能体记忆痛点、表征、遗忘等问题，介绍Jina AI相关模型，梳理记忆产品分类与工作流，给出行业观点与建议。
Hermes 登顶 OpenRouter 之后，我才发现它最缺的那一块，被这个插件补上了
Hermes Agent 三个月登顶 OpenRouter，虽好用但记忆处理有缺陷，记忆库成大杂烩。记忆张量的 MemOS Local Plugin 2.0 可解决此问题，采用‘执行即学习’，有双层反馈机制，且资产可携带。
mem9：让微信里的龙虾不再失忆
文章介绍了 mem9 这一给 AI Agent 用的持久化记忆基础设施。它由 TiDB 团队打造，能解决 AI 失忆问题，实现记忆云端存储、无缝迁移，有两段式提取、混合搜索等功能，还能筛出重要记忆。
说一个反常识的真相，Agent如今在真实工作场景的成功率依然很低。
作者有感于AI在真实工作场景评测的稀缺性，以阿里国际站RealReplicaBench评测集为例，介绍电商场景任务，发现多数模型成功率低，其他领域类似，呼吁厂商努力，作者也计划自跑评测更新排名。
OpenAI谈：大模型为什么会有幻觉？如何避免？
OpenAI论文探讨大模型幻觉问题，指出评测缺陷，像多数AI模型评测非对即错，模型为得分会瞎猜。还从预训练和后训练阶段剖析根源，提议改造评测，引入置信度阈值和错误惩罚机制。
Agent = LLM + Memory + Planning + Tool Use
文章指出LLM设计无状态，产生幻觉，超长上下文窗口也无法解决记忆问题。介绍人类记忆的三个系统，阐述Agent记忆四层演化及每层问题，推荐开源项目Cognee将向量、图、关系型结合互补。
LLM会梦到AI智能体吗？不，是睡着了也要加班
新智元报道，Bilt部署数百万智能体，让AI在“睡眠”中整理记忆，评估互动，决定信息存储位置。AI记忆与人脑差距大，Bilt和Letta实验展现“主动智能”雏形，提高模型表现。行业也在突围AI记忆缺陷问题。