跳到正文
热点事件持续更新

RPMem:跨会话长期参数化记忆框架

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Fanyu Zhao 等作者提出 RPMem 两阶段架构:每次会话通过前向计算编译为与模型无关的潜在记忆,再由任务训练的循环门控选择性整合,最终映射为骨干模型专属的 LoRA 参数,使记忆在更换骨干后仍可复用。 在 Qwen3-8B 上,该架构于 PERMA 基准达到 85.52%,作者称分别超出最强参数化基线和文本基线 5.32 与 12.98 个百分点;并在三个长期记忆基准、五种骨干上验证了近恒定的更新成本与内存占用。

AI 根据报道生成 · 1 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月18日
  1. arXiv cs.AI
    RPMem:为 LLM 智能体学习跨会话的长期循环参数化记忆

    RPMem 是一个两阶段架构,将每次会话通过前向计算编译为与模型无关的潜在记忆,再用任务训练的循环门控选择性整合,最终映射为骨干模型专属的 LoRA 参数,使记忆在更换骨干后仍可复用。在 Qwen3-8B 上于 PERMA 基准达到 85.52%,分别超出最强参数化基线和文本基线 5.32 与 12.98 个百分点,并在三个长期记忆基准、五种骨干上验证了近恒定的更新成本与内存占用。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。