新智元報(bào)道

編輯：編輯部

【新智元導(dǎo)讀】大語(yǔ)言模型越來(lái)越「聰明」，但缺失記憶：記不住、改不了、學(xué)得慢。國(guó)內(nèi)頂尖團(tuán)隊(duì)干脆打造出操作系統(tǒng)級(jí)的AI記憶框架MemOS，讓模型「記得住、改得了、學(xué)得快」。相關(guān)成果現(xiàn)已開源！關(guān)鍵還可商用。

2024年7月，記憶張量團(tuán)隊(duì)首次提出了基于分層記憶建模的憶立方（Memory3）框架，證明了僅依賴參數(shù)記憶和檢索增強(qiáng)生成（RAG）的模型難以在效率、可追溯性與長(zhǎng)期適應(yīng)性之間取得有效平衡。

這一研究視角深入揭示了當(dāng)前人工智能在長(zhǎng)期知識(shí)管理與個(gè)性化演進(jìn)方面存在的本質(zhì)缺陷。

雖然，以大語(yǔ)言模型（LLM）為代表的AI助手已滲透到生活各個(gè)領(lǐng)域，它們足夠聰明，也足夠博學(xué)。

但我們清楚地知道，它們距離真正成為「老師」、「同事」、「專家」或「教練」將面臨難以逾越的鴻溝——「記憶」缺失！

我們期待LLM像老師一樣，不僅能傳授知識(shí)，更能因材施教，精準(zhǔn)記憶每位用戶的優(yōu)劣與難點(diǎn)，提供個(gè)性化指導(dǎo)；或者像同事一樣，不僅能協(xié)作解決當(dāng)下的問(wèn)題，更能通過(guò)持續(xù)的經(jīng)驗(yàn)與上下文積累，在未來(lái)的協(xié)作中更加默契與高效…

這些對(duì)記憶能力的深層需求，恰恰是現(xiàn)階段AI的薄弱環(huán)節(jié)。

當(dāng)前的大模型主要依賴兩類傳統(tǒng)記憶機(jī)制：

• 一種是固化在權(quán)重中的參數(shù)記憶，代表模型的長(zhǎng)期知識(shí)積累，但更新困難、無(wú)法追溯；

• 另一種是只在單輪對(duì)話中有效的激活記憶（如KV緩存），雖然響應(yīng)迅速，卻無(wú)法形成跨會(huì)話的長(zhǎng)期認(rèn)知。

由此帶來(lái)的結(jié)果是，模型能夠「看得懂、答得出」，卻「記不住、改不了、學(xué)不快」：

• 在多輪對(duì)話中，模型常常遺忘早期指令；

• 在RAG應(yīng)用中，新舊知識(shí)沖突讓模型陷入混亂；

• 面對(duì)不同用戶時(shí)，模型無(wú)法沉淀個(gè)性化偏好，每次交互都宛如首次見面；

針對(duì)這些核心問(wèn)題，記憶張量（上海）科技有限公司聯(lián)合上海交通大學(xué)、中國(guó)人民大學(xué)、同濟(jì)大學(xué)、浙江大學(xué)、中國(guó)電信等多家頂尖團(tuán)隊(duì)，共同研發(fā)并開源了MemOS——

一套專為大模型設(shè)計(jì)的類操作系統(tǒng)級(jí)記憶管理框架，致力于全面提升大模型的長(zhǎng)期記憶能力和個(gè)性化交互體驗(yàn)。

圖1：MemOS整體功能架構(gòu)示意

該項(xiàng)目在Memory3項(xiàng)目（記憶分層大模型）的研究基礎(chǔ)上，系統(tǒng)性地將「記憶」視為L(zhǎng)LM的核心資源，通過(guò)統(tǒng)一管理與調(diào)度，旨在填補(bǔ)當(dāng)前語(yǔ)言模型在結(jié)構(gòu)化、持久性、自適應(yīng)記憶能力上的關(guān)鍵空白，讓大模型真正實(shí)現(xiàn)「記得住、改得了、學(xué)得快」。

更多關(guān)于這個(gè)項(xiàng)目的內(nèi)容可以參考他們的官網(wǎng)、論文、以及開源代碼。

官網(wǎng)：https://memos.memtenor.cn

論文：https://memos.openmem.net/paper_memos_v2

代碼：https://github.com/MemTensor/MemOS（Preview版本）

如果想要更直接和項(xiàng)目開發(fā)團(tuán)隊(duì)聯(lián)系，MemOS團(tuán)隊(duì)還提供了微信群和Discord群。

微信群：掃描下方二維碼項(xiàng)目

Discord地址：https://discord.gg/Txbx3gebZR

圖2：社區(qū)二維碼

接下來(lái)，我們將圍繞MemOS的動(dòng)機(jī)、核心概念MemCube、具體實(shí)現(xiàn)、記憶調(diào)度評(píng)估與未來(lái)展望等方面進(jìn)行逐一解析。

MemOS

從「被動(dòng)生成器」到「主動(dòng)記憶體」

「記憶」在學(xué)術(shù)界和工業(yè)界的確也有相關(guān)的研究了，一些相關(guān)的框架（比如，Mem0，Zep等）也有提出來(lái)，但是這些框架在記憶層面普遍存在「弱結(jié)構(gòu)、弱管理、弱融合」的系統(tǒng)性短板。

簡(jiǎn)單來(lái)說(shuō)，這些框架把「記憶」擺上了臺(tái)面，讓用戶意識(shí)到可以去主動(dòng)管理它們。然而，如何設(shè)計(jì)記憶框架更便于用戶對(duì)記憶的主動(dòng)管理仍是難題。

MemOS提出了一種新的范式：將「記憶」從模型運(yùn)行的隱性副產(chǎn)物，提升為具備生命周期、調(diào)度策略與統(tǒng)一結(jié)構(gòu)的「一級(jí)資源」，并圍繞其構(gòu)建操作系統(tǒng)級(jí)的治理機(jī)制。

為此，MemOS將復(fù)雜的記憶系統(tǒng)性地劃分為三類核心形態(tài)，為智能體多層次認(rèn)知打下結(jié)構(gòu)性基礎(chǔ)。

• 明文記憶（Plaintext Memory）

  指外部提供、可顯式管理的結(jié)構(gòu)化知識(shí)，如用戶偏好、規(guī)則文檔和上下文注解。它具備可編輯、可審計(jì)和可共享的特性，是支持個(gè)性化體驗(yàn)和知識(shí)動(dòng)態(tài)演進(jìn)的關(guān)鍵基礎(chǔ)。

  在Preview版本中，MemOS提供了基于樹狀結(jié)構(gòu)的明文記憶管理，將外部文檔與對(duì)話中提取的關(guān)鍵信息轉(zhuǎn)化為Neo4j中的分層樹狀記憶，實(shí)現(xiàn)了高效存儲(chǔ)、關(guān)系檢索與版本追溯。

圖3：樹狀明文記憶示意圖

• 激活記憶（Activation Memory）

  指模型推理過(guò)程中產(chǎn)生的瞬時(shí)認(rèn)知狀態(tài)（如KV Cache），它扮演著類「工作記憶」的角色，維系對(duì)話上下文的連續(xù)性與一致性。

  MemOS首次將激活記憶抽象為一種可調(diào)度的系統(tǒng)資源，支持按需喚醒、壓縮與固化，使短期記憶具備演化為長(zhǎng)期能力的潛力。

  在Preview版本中，MemOS實(shí)現(xiàn)了KV Cache的標(biāo)準(zhǔn)化管理，將對(duì)話內(nèi)容依據(jù)Chat Template格式進(jìn)行結(jié)構(gòu)化，并預(yù)先存儲(chǔ)于GPU中。

  這樣，當(dāng)用戶再次發(fā)起請(qǐng)求時(shí)，系統(tǒng)可即時(shí)復(fù)用緩存，有效縮短解碼時(shí)延，顯著提升記憶的獲取效率和推理響應(yīng)速度。

• 參數(shù)記憶（Parametric Memory）

  指固化在模型權(quán)重中的長(zhǎng)期知識(shí)，類似于人類的本能與常識(shí)。它具備調(diào)用速度快、延遲低的優(yōu)勢(shì)，是大模型通用能力的重要基座。

  通過(guò)LoRA等高效微調(diào)方法，參數(shù)記憶可以模塊化注入領(lǐng)域?qū)僦R(shí)，實(shí)現(xiàn)「即插即用」的能力擴(kuò)展，幫助模型快速適應(yīng)多樣化場(chǎng)景（該功能在Preview版本中尚未開放）。

圖4：三種記憶類型

MemCube

統(tǒng)一調(diào)度記憶的「原子單元」

如何統(tǒng)一存儲(chǔ)這三種形態(tài)的記憶？MemOS提出了標(biāo)準(zhǔn)化的記憶封裝結(jié)構(gòu)——MemCube。

MemCube本身可以是一個(gè)Git倉(cāng)庫(kù)，MemOS在HuggingFace平臺(tái)上部署了一個(gè)簡(jiǎn)單的demo MemCube供用戶理解與使用。

如此一來(lái)，記憶的創(chuàng)建、修改、分發(fā)都變得更加現(xiàn)代，也更靠近大模型生態(tài)的中心。

圖5：MemCube示例

由圖5可見，MemCube是一個(gè)具備自描述、自管理能力的「記憶原子」。

每個(gè)MemCube都包含四種文件：MemCube配置項(xiàng)，明文記憶，激活記憶和參數(shù)記憶。

每種記憶文件都可能包括：

• 元數(shù)據(jù)頭：記錄時(shí)間、來(lái)源、權(quán)限、生命周期等，用于記憶的溯源和治理。

• 語(yǔ)義負(fù)載：承載實(shí)際的知識(shí)內(nèi)容或狀態(tài)。

• 行為指標(biāo)：自動(dòng)記錄訪問(wèn)頻率、相關(guān)性等，為記憶的「新陳代謝」（替換、壓縮、升級(jí)）提供決策依據(jù)。

MemCube中的三種記憶形態(tài)可以靈活的轉(zhuǎn)換，例如，將頻繁使用的明文規(guī)則（明文記憶）轉(zhuǎn)化為激活模板（激活記憶），或?qū)⒎€(wěn)定的行為模式（激活記憶）蒸餾為輕量級(jí)參數(shù)模塊（參數(shù)記憶），讓記憶系統(tǒng)具備了「生長(zhǎng)、重構(gòu)」的自主演化能力。

類操作系統(tǒng)實(shí)現(xiàn)架構(gòu)

三層協(xié)同，高效運(yùn)轉(zhuǎn)

從代碼功能角度來(lái)看，MemOS構(gòu)建了一套包含接口、操作、基礎(chǔ)設(shè)施的三層體系架構(gòu)。

圖6：MemOS代碼實(shí)現(xiàn)架構(gòu)

• 接口層（Interface Layer）
  

  提供標(biāo)準(zhǔn)化的MemoryAPI，能自動(dòng)理解「存入這條偏好」、「忘記上次的風(fēng)格」等自然語(yǔ)言指令，并將其轉(zhuǎn)換為結(jié)構(gòu)化的記憶操作。當(dāng)前Preview版本以MOS類為具體實(shí)現(xiàn)。

• 操作層（Operation Layer）
  

  系統(tǒng)的控制核心。它能根據(jù)任務(wù)上下文智能調(diào)度（MemScheduler）、管理記憶生命周期（MemLifecycle）并高效組織海量記憶（MemOperator）。當(dāng)前Preview版本開包括MemScheduler這個(gè)模塊的簡(jiǎn)單實(shí)現(xiàn)。

• 基礎(chǔ)設(shè)施層（InfrastructureLayer）
  

  提供底層支撐，目前主要包括：

• • MemCube：是對(duì)底層記憶管理的最大封裝，在這里實(shí)現(xiàn)對(duì)MemCube的load、dump、download、upload等記憶市場(chǎng)式行為

  • 記憶管理：當(dāng)前包括樹狀記憶管理、向量記憶管理等

  • 一些其他模塊支持：持久化存儲(chǔ)（Graph DB，Vector DB等）、模型（OpenAI，HuggingFace，Ollama等）等

MemOS為什么高效？

從Next-Token Prediction到Next-Scene Prediction

在傳統(tǒng)的大模型問(wèn)答系統(tǒng)中，生成流程依然遵循同步的Next-Token機(jī)制：模型接收用戶問(wèn)題→實(shí)時(shí)檢索外部片段→按token逐字生成答案。

檢索或計(jì)算產(chǎn)生的任何停頓，都會(huì)直接拉長(zhǎng)整條推理鏈路，知識(shí)注入與生成緊密耦合，導(dǎo)致GPU容易出現(xiàn)空等，用戶端響應(yīng)時(shí)延明顯。

圖7：記憶調(diào)度

與這種傳統(tǒng)范式不同，MemOS從記憶建模的視角出發(fā)，提出了記憶調(diào)度范式，通過(guò)設(shè)計(jì)異步調(diào)度框架，提前預(yù)測(cè)模型可能需要的記憶信息，顯著降低實(shí)時(shí)生成中的效率損耗。

MemOS實(shí)現(xiàn)了針對(duì)MemCube中的三種核心記憶類型（參數(shù)記憶、激活記憶、明文記憶），以及外部知識(shí)庫(kù)（包括互聯(lián)網(wǎng)檢索與超大規(guī)模本地知識(shí)）等多元知識(shí)的聯(lián)合調(diào)度。

依托對(duì)對(duì)話輪次與時(shí)間差的精準(zhǔn)感知，系統(tǒng)能夠智能預(yù)測(cè)下一個(gè)場(chǎng)景中可能被調(diào)用的記憶內(nèi)容，并動(dòng)態(tài)路由與預(yù)加載所需的明文、參數(shù)和激活記憶，從而在生成階段即刻命中，最大化信息引入的效率和推理的流暢性。

效果如何？評(píng)測(cè)數(shù)據(jù)說(shuō)話

LoCoMo記憶評(píng)測(cè)

為系統(tǒng)性驗(yàn)證MemOS在真實(shí)應(yīng)用場(chǎng)景下的表現(xiàn)，MemOS團(tuán)隊(duì)基于LoCoMo數(shù)據(jù)集進(jìn)行了全面評(píng)測(cè)。

作為當(dāng)前業(yè)界廣泛認(rèn)可的記憶管理基準(zhǔn)，LoCoMo已被多種主流框架采用，用于檢驗(yàn)?zāi)Ｐ偷挠洃洿嫒∧芰εc多輪對(duì)話一致性。

從官方公開的評(píng)測(cè)數(shù)據(jù)來(lái)看，MemOS在準(zhǔn)確率和計(jì)算效率上均實(shí)現(xiàn)了顯著提升，相較于OpenAI的全局記憶方案，在關(guān)鍵指標(biāo)上展現(xiàn)出更優(yōu)的性能表現(xiàn)，進(jìn)一步驗(yàn)證了其在記憶調(diào)度、管理與推理融合方面的技術(shù)領(lǐng)先性。

圖8：基于LoCoMo基準(zhǔn)的對(duì)比評(píng)測(cè)結(jié)果

其論文中也提供了更詳盡的對(duì)比實(shí)驗(yàn)結(jié)果，我們可以清晰地看到：

• 單跳（Single Hop）任務(wù)：MemOS在LLMJudge Score、BERT-F1和METEOR等多個(gè)指標(biāo)上均顯著優(yōu)于其他模型，尤其在準(zhǔn)確率方面表現(xiàn)突出，充分體現(xiàn)了其在直接記憶召回場(chǎng)景下的高效性與可靠性。

• 多跳（Multi Hop）任務(wù)：MemOS依然保持領(lǐng)先，F(xiàn)1和ROUGE-L（RL）指標(biāo)均高于同類方法，驗(yàn)證了其在復(fù)雜推理和多步信息融合任務(wù)中的穩(wěn)定性與優(yōu)勢(shì)。

• 開放域（Open Domain）任務(wù)：MemOS顯著提升了準(zhǔn)確率與召回率，F(xiàn)1分?jǐn)?shù)從傳統(tǒng)模型的29.79提升至35.57，表明在處理范圍更廣、問(wèn)題不確定性更高的任務(wù)時(shí)，具備更強(qiáng)的泛化能力。

• 時(shí)間推理（Temporal Reasoning）任務(wù)：MemOS的表現(xiàn)尤為突出，F(xiàn)1、ROUGE-L和BLEU-1（B1）指標(biāo)均大幅領(lǐng)先，展現(xiàn)了其在理解和推斷事件時(shí)間關(guān)系方面的卓越能力。

• 總體（Overall）評(píng)測(cè)：MemOS不僅在各項(xiàng)核心評(píng)分指標(biāo)中持續(xù)領(lǐng)跑，還能在保持較低內(nèi)存上下文規(guī)模（Chunk/Mem Token）的前提下實(shí)現(xiàn)較高準(zhǔn)確率，充分體現(xiàn)了效率與性能的良好平衡。

綜上，憑借系統(tǒng)級(jí)優(yōu)化與靈活的記憶調(diào)度機(jī)制，MemOS在多輪對(duì)話記憶管理的多樣化任務(wù)中均展現(xiàn)出出色的表現(xiàn)，整體性能優(yōu)于當(dāng)前主流的多種基線方法。

圖9：完整評(píng)測(cè)結(jié)果

KV Cache記憶評(píng)測(cè)

除了通用的記憶能力評(píng)估，研究團(tuán)隊(duì)還重點(diǎn)考察了MemOS所提出的KV Cache記憶機(jī)制在推理加速方面的實(shí)際效果。

通過(guò)在不同上下文長(zhǎng)度（Short/Medium/Long）以及不同模型規(guī)模（8B/32B/72B）下進(jìn)行對(duì)比測(cè)試，系統(tǒng)性評(píng)估了緩存構(gòu)建時(shí)間（Build）、首Token響應(yīng)時(shí)間（TTFT）以及整體加速比（Speedup）等關(guān)鍵指標(biāo)。

實(shí)驗(yàn)結(jié)果（見圖10）表明，MemOS在多種配置下均顯著優(yōu)化了KVCache的構(gòu)建與復(fù)用效率，使推理過(guò)程更加高效流暢，有效縮短了用戶的等待時(shí)延，并在大規(guī)模模型場(chǎng)景中實(shí)現(xiàn)了可觀的性能加速。

圖10：KV Cache評(píng)測(cè)結(jié)果

實(shí)驗(yàn)結(jié)果表明，隨著模型規(guī)模和上下文長(zhǎng)度的增長(zhǎng)，KV緩存帶來(lái)的加速收益呈現(xiàn)顯著上升。

以Qwen3-8B為例，在長(zhǎng)上下文條件下，首Token響應(yīng)時(shí)間加速比最高達(dá)到94.2%；在超大規(guī)模模型Qwen2.5-72B上，依然能穩(wěn)定保持在70%以上，顯著提升了多輪推理的響應(yīng)速度和算力利用率。

這些結(jié)果進(jìn)一步驗(yàn)證了，在「高頻調(diào)用+長(zhǎng)期記憶」的實(shí)際生產(chǎn)場(chǎng)景中，緩存復(fù)用是提升系統(tǒng)吞吐與用戶體驗(yàn)的關(guān)鍵路徑，也為未來(lái)打造更高效、更智能的記憶調(diào)度器奠定了堅(jiān)實(shí)的技術(shù)基礎(chǔ)。

展望未來(lái)

從單一智能體到「記憶生態(tài)系統(tǒng)」

隨著大模型的發(fā)展逐步進(jìn)入規(guī)模邊際收益遞減階段，從以數(shù)據(jù)和參數(shù)為中心轉(zhuǎn)向以「記憶」為中心的范式變革，正成為推動(dòng)模型能力躍遷的關(guān)鍵路徑。MemOS作為首個(gè)將「記憶」納入系統(tǒng)級(jí)治理的基礎(chǔ)設(shè)施，正在為下一代AGI打造一個(gè)「可管理、可遷移、可共享」的運(yùn)行底座。

圖11：Mem-training Scaling

為了進(jìn)一步釋放記憶的潛力，研究團(tuán)隊(duì)提出了一個(gè)更具前瞻性的目標(biāo)：構(gòu)建一個(gè)去中心化的記憶生態(tài)系統(tǒng)（Memory Ecosystem）。

基于通用的記憶互操作協(xié)議（MIP，Memory Interchange Protocol），未來(lái)的AI智能體將具備以下能力：

• 攜帶記憶，跨平臺(tái)遷移：用戶在一個(gè)應(yīng)用中積累的偏好和知識(shí)，可以無(wú)縫遷移至另一個(gè)應(yīng)用，從根本上消除「記憶孤島」，讓體驗(yàn)更具連續(xù)性。

• 交換經(jīng)驗(yàn)，協(xié)同進(jìn)化：不同模型或智能體能夠在安全合規(guī)的前提下共享、復(fù)用彼此的記憶，共同形成一個(gè)互聯(lián)互通的智能網(wǎng)絡(luò)。

• 記憶資產(chǎn)化：記憶不再是「模型的私有數(shù)據(jù)」，而是一種可管理、可共享、甚至可交易的智能資產(chǎn)，推動(dòng)智能生產(chǎn)力的重構(gòu)。

通過(guò)將記憶管理從模型推理中成功解耦，MemOS正在助力大模型從單一的語(yǔ)言處理器邁向具備持久認(rèn)知能力的個(gè)性化智能體，為通向通用人工智能鋪設(shè)新的基礎(chǔ)設(shè)施。

OpenMem社區(qū)

共建開放記憶底座，賦能智能系統(tǒng)普惠未來(lái)

MemOS生態(tài)的持續(xù)演進(jìn)與共享共建，離不開社區(qū)的深度參與和多方協(xié)作。為此，研究團(tuán)隊(duì)發(fā)起并打造了一個(gè)開放、協(xié)作、共創(chuàng)的大模型記憶技術(shù)社區(qū)——OpenMem，致力于推動(dòng)記憶管理、記憶增強(qiáng)與記憶共享的研究與應(yīng)用走向可管理、可遷移、可共享的新階段。

當(dāng)前社區(qū)由來(lái)自記憶張量、上海交通大學(xué)、同濟(jì)大學(xué)、浙江大學(xué)、中國(guó)科學(xué)技術(shù)大學(xué)、北京大學(xué)、中國(guó)人民大學(xué)、北京航空航天大學(xué)、南開大學(xué)、上海算法創(chuàng)新研究院等高校研究團(tuán)隊(duì)等研究+產(chǎn)業(yè)團(tuán)隊(duì)共同組成，社區(qū)熱烈歡迎對(duì)AI模型記憶感興趣的研究或產(chǎn)業(yè)團(tuán)隊(duì)加入，共建開放記憶底座，賦能智能系統(tǒng)普惠未來(lái)。

聯(lián)系方式：contact@openmem.net

MemOS開源框架持續(xù)迭代計(jì)劃

社區(qū)團(tuán)隊(duì)也規(guī)劃了下一階段的部分關(guān)鍵迭代方向，歡迎開發(fā)者加入共建：

技術(shù)能力迭代

• 參數(shù)記憶插件化適配：根據(jù)具體任務(wù)或上下文預(yù)測(cè)結(jié)果，動(dòng)態(tài)路由最合適的LoRA模塊，實(shí)現(xiàn)類似MoE（Mixture of Experts）的參數(shù)記憶架構(gòu)，支持快速注入領(lǐng)域知識(shí)。

• MemCube多模態(tài)擴(kuò)展：在現(xiàn)有結(jié)構(gòu)基礎(chǔ)上，新增圖像、音頻、視頻等跨模態(tài)記憶的封裝與調(diào)度能力，拓展系統(tǒng)的應(yīng)用邊界。

• 跨智能體記憶遷移機(jī)制：設(shè)計(jì)安全隔離的沙盒環(huán)境，支持不同智能體之間的記憶遷移、審計(jì)與復(fù)用，推進(jìn)通用記憶互操作協(xié)議（MIP）的實(shí)踐探索。

評(píng)測(cè)體系建設(shè)

• LoCoMo評(píng)測(cè)集擴(kuò)展：拓展中文任務(wù)，提升對(duì)實(shí)際應(yīng)用場(chǎng)景的覆蓋能力。

• 場(chǎng)景化端到端評(píng)測(cè)框架：當(dāng)前如LoCoMo等評(píng)測(cè)方案主要覆蓋記憶管理中的部分環(huán)節(jié)，缺乏對(duì)完整交互鏈路的評(píng)估。下一階段將構(gòu)建面向?qū)嶋H應(yīng)用的端到端場(chǎng)景化評(píng)測(cè)體系，更全面衡量不同記憶框架的效果與效率。

開發(fā)者工具鏈

• OpenMemCLI工具：一鍵生成記憶工程模板，聯(lián)通向量庫(kù)、圖數(shù)據(jù)庫(kù)與遠(yuǎn)程MemOS節(jié)點(diǎn)，加速開發(fā)流程。

• VSCode插件：集成MemCube管理與調(diào)試能力，支持開發(fā)者在熟悉的工作環(huán)境中進(jìn)行記憶內(nèi)容的可視化操作與調(diào)試。

關(guān)于記憶張量

記憶張量（上海）科技有限公司是上海算法創(chuàng)新研究院孵化的新型大模型公司，由中科院院士擔(dān)任首席科學(xué)顧問(wèn)。

公司聚焦基本原理驅(qū)動(dòng)的系統(tǒng)性創(chuàng)新，以「低成本、低幻覺(jué)、高泛化」為核心特色，致力于探索符合中國(guó)國(guó)情的大模型發(fā)展新路徑，推動(dòng)AI應(yīng)用更廣泛落地。

公司持續(xù)圍繞大模型記憶增強(qiáng)與管理框架進(jìn)行技術(shù)迭代，自主研發(fā)的基于記憶分層架構(gòu)的「憶3」大模型已實(shí)現(xiàn)商業(yè)化落地，業(yè)務(wù)穩(wěn)步增長(zhǎng)，獲得招商證券、中國(guó)銀行、中國(guó)電信等頭部國(guó)央企業(yè)認(rèn)可。