Evermind 助力 AI 模型記憶實現自演化

　　在聊EverMemOS為啥強之前，我們不妨先來思考一個問題：當你使用大模型時，是不是總覺得有什么地方不得勁？

　　前一秒還聊得好好的，下一秒就忘得一干二凈，要么就是拆東墻補西墻，這個記住了，另一個又忘了。

　　歸根結底，不是模型能力不夠強，而是記憶功能不夠用。

　　這就要回到大模型的底層架構上講，眾所周知，當前大模型普遍用的是Transformer架構，其記憶核心在于自注意力機制，也就是上下文窗口的信息緩存。

　　它會通過計算當前窗口的token間關系，理解上下文含義，但實際運行中由于受限于物理內存資源，窗口長度是有限的，一旦文本長度超過窗口限制，信息就會被截斷遺忘。

　　另外，隨著對話變長，KV Cache占用的顯存也會逐漸膨脹。影響推理效率的同時，為了節(jié)省資源，現有的技術往往會選擇壓縮舊記憶，從而導致記憶細節(jié)變得模糊。

　　這顯然影響了用戶的實際體驗，舉個例子be like：

　　當你需要AI協(xié)助寫一篇論文時， 從確定選題→檢索相關文獻→擬結構→寫初稿→修改優(yōu)化到最后定稿，這當中勢必需要多輪交互，但AI壓根記不住你之前寫的內容，最后輸出的結果也只能是驢頭不對馬嘴。

　　那怎么辦呢？學術界為此提出了三種技術方案：

　　基于外部存儲的記憶（External Storage based Memory）

　　這就類似于為大模型配備了一個外部數據庫，里面系統(tǒng)存儲著用戶相關的歷史記錄。當用戶提問時，系統(tǒng)就會先去數據庫里搜索相關文檔，再將其和問題一起喂給AI。

　　但這并非真正的記憶，而是在考場上臨時翻閱教材。

　　• 基于模型參數的記憶（Model Parameter based Memory）

　　該方案本質是將記憶通過訓練內化成模型的一部分，通過微調SFT或持續(xù)預訓練，讓模型在看到某個問題時，就能迅速通過參數內部權重指向正確答案。

　　DeepSeek的最新成果便是用的這個思路，但再訓練的成本極高且容易遺忘，不適合個性化和短期記憶。

　　• 基于隱狀態(tài)的記憶（Latent State based Memory）

　　通過保存模型的中間推理狀態(tài)（如KV Cache），達成類人的短期記憶或工作記憶。

　　它非常適用于理解復雜的對話語境，但換言之，它是一次性的，只能短暫存在，無法長久記憶。

　　其中業(yè)界用的比較多的方法，還是RAG（檢索增強生成），也就是基于外部存儲的記憶。

　　但RAG同樣缺點明顯。首先，其工作方式是將長文本切成一個個片段，會破壞信息的連貫性，讓模型難以理解復雜的因果關系。

　　其次RAG依賴向量相似度檢索，擅長找語義相近的內容，但在時序匹配上不足；另外RAG知識是相對靜態(tài)的，如果要更新信息，則需要高昂的成本支持。

　　基于此，EverMemOS應運而生。

　　學習大腦記憶機制，成了

　　啟發(fā)于腦科學技術的研究成果，盛大一直以來非常重視長期記憶領域的研究。早在2024年10月，盛大團隊就對外發(fā)布了長期記憶領域的綱領性文章《Long Term Memory-The Foundation of AI Self-Evolution》。

　　基于盛大多個團隊在該領域的持續(xù)積累，EverMind在2025年8月正式啟動EverMemOS項目，并于11月對外正式發(fā)布開源版本。

　　EverMemOS是EverMind打造的首款AI記憶基礎設施，對比同賽道團隊，似乎姍姍來遲。

　　Mem0、Zep等產品最早都能追溯到2024年，現在商業(yè)化最成功的開發(fā)者框架Letta（原MemGPT）也是2023年就開始起步。

　　EverMemOS卻交出了亮眼的答卷：最晚入場，但效果彎道超車。

　　從技術角度看，它同時繼承了基于外部存儲和基于隱狀態(tài)兩種路徑。不過業(yè)內并非沒有嘗試過此類方案，但EverMind顯然在記憶提取的精準度和邏輯一致性上實現了更優(yōu)的平衡。

　　原因在于EverMind抓住了精髓，用鄧亞峰的話說，就是：

　　通過EverMemOS，我們賦予智能體一個活的、不斷演化的歷史。

　　這里的關鍵詞其實是“活的”。那么如何能保存最鮮活的記憶呢？人類大腦。

　　這就引出了EverMind的獨特思路——生物啟發(fā)。

　　具體來講，EverMemOS通過模擬人類記憶的形成并轉化為計算框架，利用三階段層層遞進以實現大模型長期記憶的存儲和提�。�

　　Step 1：情景軌跡構建。

　　對應人腦的海馬體和內嗅皮層，可以將連續(xù)的對話內容拆分成一個個獨立的記憶單元（MemCell），每個單元里不僅記錄有完整的聊天內容，還包括一些關鍵事實、時效信息等。

　　Step 2：語義整合。

　　類比新皮層（前額葉皮層+顳葉皮層），系統(tǒng)會將內容相關的記憶單元歸類在一起，形成主題化的記憶場景（MemScene），同時還會更新用戶畫像，區(qū)分用戶的長期穩(wěn)定偏好和短期臨時狀態(tài)。

　　Step 3：重構式回憶。

　　這一步對應的是前額葉皮層和海馬體的協(xié)同機制，當用戶提問時，系統(tǒng)就會在記憶場景的引導下進行智能檢索，只挑選出必要且足夠的記憶內容，用于后續(xù)的推理任務。

　　由此，AI學會像人類一樣記憶——這不僅是知識的數據庫存儲，更是認知系統(tǒng)的深度整合。如此一來，即便是在多個Agent之間，也能實現信息的高效傳遞。

　　至于效果如何，咱們還是眼見為實，看看基準測試結果。

　　團隊選取了4個主流記憶基準測試，以及多種大模型記憶增強方法。所有方法都基于同一基礎大模型（GPT-4o-mini或GPT-4.1-mini）進行測試。

　　結果也很明顯，EverMemOS大獲全勝，全面超越現有記憶系統(tǒng)和全上下文模型。

　　中在LoCoMo上，準確率直接一躍來到93.05%，尤其是在多跳推理和時序任務上表現突出，分別提升19.7%和16.1%，同時token使用量和計算成本得到大幅度降低。

　　在多會話對話評估LongMemEval里，EverMemOS同樣以83%的準確率位居榜首，說明在面對跨度極大、信息量極高的場景中，EverMemOS依舊能夠精準檢索和關聯(lián)到過去的信息，并且通過持續(xù)交流還會不斷進化完善自己。

　　HaluMem由MemTensor和中國電信研究院聯(lián)合發(fā)布，是業(yè)界首個面向AI記憶系統(tǒng)的操作級幻覺評估基準。而EverMemOS在保證記憶完整性的同時，也顯著改善了幻覺現象。

　　在PersonaMem v2里，EverMemOS在九個復雜場景中依舊全場最佳，保證了深度個性化和行為一致性。

　　足以見得，EverMemOS是相當全能的一枚選手，記性好、搜得準，關鍵還運行速度快、成本還夠低，最長可突破百兆上下文限制。

　　一邊幫大模型減負，一邊幫大模型補記憶力，堪稱大模型版安神補腦液。

　　 廣告