Memory & Agents
可更新记忆、上下文管理、持续学习与智能体系统。
MemGPT
MemGPT: Towards LLMs as Operating Systems
MemGPT 以虚拟内存式分层存储、队列驱逐和心跳函数调用管理固定窗口上下文；在历史回忆、文档问答与嵌套检索中取得提升，效果取决于底座模型持续调用工具的能力。
Palimpsa
Learning to Remember, Learn, and Forget in Attention-Based Models
Palimpsa 用逐状态精度调节记忆可塑性，并通过折扣旧证据保持适应能力；微调迁移改善召回与部分长上下文表现，但增加内核成本并带来任务取舍。
ContextParamEq
Equivalence of Context and Parameter Updates in Modern Transformer Blocks
在输入与输出可控及非零条件下，上下文对当前查询的效应可逐层表示为秩一矩阵和输出端补丁；Gemma低精度计算需要稳定构造。
Cortex
Cortex: Consolidating Context into Parametric Memory
Cortex 用前瞻性查询和有上下文教师蒸馏，将经验写入可合并的 FFN 更新；50 次连续事实编辑恢复 88.9% 的上下文增益并保留 99.8% 的所测非目标表现。
SelfImprovingBranches
Mixture of Self-Improving Branches For Agent Harness Optimization
通过动态分配开发题、更新分支提案指导并按题路由，该系统将 Math–Gemini 留出准确率从 46.0% 提至 62.0%，但完整搜索使用更多 token。
MemT
MemT-1.0: Towards Memory-Native Evolution
MemT-1.0 以稳定逐 token 写入和跨轮状态在参数化记忆基准领先，并降低长历史存储与延迟；精细召回仍落后于文本记忆。
MesaNet
MesaNet: Sequence Modeling by Locally Optimal Test-Time Training
MesaNet 用可分块并行的共轭梯度求解累计回归，改善固定状态的上下文学习与召回，并揭示平均困惑度与长距离信息利用之间的差异。
GenMem
GenMem: Generative Symbolic Memory for Self-Evolving Harness
GenMem以生成式SID统一经验记忆读写并保持地址稳定，完整训练系统取得收益，但组合泛化与评测划分仍需补强。
SRWM
A Modern Self-Referential Weight Matrix That Learns to Modify Itself
SRWM 用同一矩阵生成并执行自身的 delta 更新，使预测与更新控制器共同适应输入，在少样本与多任务学习中验证了运行时自修改的实用性。
REMORY
REMORY: Learning Residual Memory for Context Compaction
REMORY 以摘要条件软记忆补偿上下文压缩，改善来源归属与智能体决策；生成费用下降尚未计入记忆网络计算。
CLM
Context Language Models
CLM 将实时上下文设为模型可编辑文件，通过技能演化、强化学习和近似后缀缓存复用改善长任务的性能与计算成本。
NL
Nested Learning: The Illusion of Deep Learning Architectures
NL 将架构和优化器统一为多时间尺度的联想记忆，Hope 结合自指更新与 CMS 改善持续学习，但精确召回与计算成本仍有取舍。
Metis
Metis: Memory Foundation Model
Metis以固定状态和可学习读写实现无在线梯度的跨轮次记忆，节省存储与查询成本，但长期容量、遗忘和指令遵循仍受限。
MoNe
MoNe: Modular Neural Memory for Efficient Long Context Inference
MoNe以逐层局部快权重更新为冻结Transformer写入长上下文，在受控任务外推至128K并降低显存与FLOPs，但依赖离线任务训练。
Nectar
Nectar: Neural Estimation of Cached-Token Attention via Regression
Nectar 以输出与归一化量双网络压缩静态文档注意力，随机问题接近完整缓存，但分布外问题和离线训练成本限制适用范围。
ExplicitLM
ExplicitLM: Decoupling Knowledge from Parameters via Explicit Memory Banks
通过可读 token 记忆和两阶段可训练检索改善预置事实召回，知识编辑效果及同知识条件对比仍待验证。
LLM-Memory
Memory for Large Language Models
以表示、更新动态和持续性三轴统一模型级记忆，细分写入与管理规则，并分析混合架构的召回、干扰和资源取舍。
Cogentic
Cogentic: Multi-Agent Orchestration for Automated Proof Discovery
Cogentic 通过并行证明、对抗审查与已验证引理账本积累跨轮次进展，在五项开放问题上产出经专家复核的新界与证明。
Sleep
Language Models Need Sleep: Learning to Self-Modify and Consolidate Memories
Sleep 用更新前自蒸馏与慢层专家巩固记忆，再通过 Dreaming 改善适配，收益受任务协议与容量成本限制。
JitMem
Just-in-Time Memory: Learning to Curate Task-Adaptive Memory for LLM Agents
JitMem 保留原始轨迹，在当前任务已知时整理记忆，并以同任务奖励训练整理器；多个基准受益，但总成本和收益范围仍需区分。
没有找到匹配论文，试试其他关键词或标签。