陳天橋鄧亞峰聯手破解大模型記憶難題！4個月打造SOTA系統

鷺羽 發自 凹非寺
量子位 | 公眾號 QbitAI

開年，DeepSeek論文火遍全網，內容聚焦大模型記憶。

無獨有偶，谷歌近期也發布了一篇被譽為“Attention is all you need”V2（Nested Learning: The Illusion of Deep Learning Architectures）的重磅論文，核心同樣指向記憶瓶頸。

就連最近這只徹底破圈的AI大龍蝦——OpenClaw（原名Clawdbot），其亮點之一依舊是記憶。

也就是說，記憶≈今年全球AI圈集體押注的技術風口≈皇冠明珠。

幾乎所有你能想到的大模型團隊，都在加班加點往自家模型里塞記憶功能……

但這一次，讓我們把視線從這些科技巨頭身上稍稍挪開，就會發現有一支后起之秀同樣不容小覷。

他們就是陳天橋和鄧亞峰帶隊的EverMind。

為什么這樣說呢？

且看產品，最新發布世界級長期記憶系統——EverMemOS，發布即SOTA。

一舉打破多項記憶基準測試的同時，還能遠超此前所有的基線方法。

其次，它是真正能用的。

不是只會跑測試的“花架子”，實際部署后效果照樣能打。而且團隊有底氣有信心，技術代碼全部開源。

為了方便開發者使用，他們剛剛還專門上線了云服務——現在只需一個最簡單的API，就能直接將最前沿的大模型記憶能力裝進自己的應用。

并且要知道，從EverMemOS正式立項到開源，團隊只用了短短四個月時間，這是什么實力不必多說。

不止如此，EverMind更是聯手OpenAI等十多個技術社區豪擲英雄帖，發起首屆記憶起源大賽（Memory Genesis Competition 2026），號召全球頂尖人才前來共同書寫記憶元年。

（突然燃起來了有木有！）

Anyway，下面我們娓娓道來。

大模型的記憶斷裂GAP

在展開聊聊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，里面系統存儲著用戶相關的歷史記錄。當用戶提問時，系統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。

• 基于隱狀態的記憶（Latent State based Memory）

通過保存模型的中間推理狀態（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積累，EverMind在2025年8月正式啟動EverMemOS項目，并于11月對外正式發布開源版本。

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，現在商業化最成功的開發者框架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兩種路徑。不過業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。

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取：

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，區分用戶的長期穩定偏好和短期臨時狀態。

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同機制，當用戶提問時，系統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和全上下文模型。

其中在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到過去的信息，并且通過持續交流還會不斷進化完善自己。

HaluMem由MemTensor和中國電信研究院聯合發布，是業界首個面向AI記憶系統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（bushi）

不僅云，還要贏

誠然，技術扎實是一回事，能不能讓開發者用起來則是另外一回事。

EverMind覺得，開源還不夠，直接上云服務。

省去中間繁雜的基礎設施搭建，從開發者到EverMemOS，只需要完成簡單的兩行API代碼調用，就能實現多項記憶操作，包括：

• 記憶攝入：從消息和交互中提取和存儲記憶；
• 記憶檢索：使用篩選選項（例如按元數據字段）檢索已存儲的記憶；
• 記憶搜索：利用關鍵字驅動的混合檢索方式搜索記憶；
• 對話元數據：設置或更新對話元數據以改進提取和檢索行為。

有兩種使用EverMemOS的方式，EverMemOS Cloud和開源版本。前者使用托管API，更方便也更快，且核心引擎會自動更新到最新版本，后者則由用戶自己運維。

開源版本需要自行準備部署環境：

云服務上手更快，功能簡潔，探索空間卻很大：配置記憶空間→獲取API密鑰→保存記憶→使用記憶，即可輕松體驗當前業界性能SOTA的Memory系統。

選擇EverMemOS云服務或開源版本的理由

目前云服務已經正式開放內測申請，填寫正確的郵箱地址后即可享受免費服務。（申請入口：https://console.evermind.ai/）

不過正如鄧亞峰所說，要想掌握AI，多學不如多用。在部署好EverMemOS后，不妨來參加EverMind舉辦的記憶起源大賽。

EverMind把舞臺也給大家一站式搭好了～

比賽將從1月一直持續到4月，現已面向全球開發者開放注冊通道和云平臺，需要注意要在2月底之前完成項目提交。具體將分為三大賽道：

1、記憶+智能體：

要求構建具備長期、進化能力的智能體，例如個人數字孿生、內容創作者工作流程、銷售/CRM協作助手、醫療保健/治療智能體、教育伙伴、多智能體協作等。將選出5名獲獎者，每人獎勵5000美元。

2、平臺插件：

基于VSCode、Chrome、Slack、Discord、Notion、Obsidian或LangChain等框架或SDK為EverMemOS建立擴展操作系統生態。將選出7名獲獎者，每人獎勵3000美元。

3、操作系統基礎設施：

幫助優化EverMemOS的核心，例如核心功能修改、性能調優、架構改進等。將選出3名獲獎者，每人獎勵3000美元。

另外還將根據總成績結合線下活動表現，選出額外的總冠軍（額外1萬美元）、人氣開發者（額外5000美元）和2個Aha案例（額外3000美元）。

總獎金池高達8萬美元，另外每位獲獎者還將擁有收益分成機會和社區頭銜。其中頂級貢獻者還可有機會獲得全職offer，以及受邀加入EverMind擔任技術顧問。

所有參賽選手都將接受來自EverMind工程團隊的直接導師指導，更多比賽細節可見賽事官網。（https://evermind.ai/activities）

連接智能的關鍵在記憶

那么最后，我們再來看看EverMind究竟意欲何為？畢竟又是發新技術、新平臺，又是辦比賽，這一套組合拳下來，野心可不小。

首先從供給側講，EverMind正在試圖用EverMemOS重新定義大模型記憶的技術路線。

EverMemOS沒有沿著原來已有的技術方案延展，而是實打實地摸索出了一條以腦科學+AI的獨特路徑，而且它的技術成熟度出乎意料地扎實，說明EverMemOS還只是EverMind布局的冰山一角。

事實上，據EverMind透露，他們已經開始構造一整套的混合解決方案，其中底層是信息處理模塊，上層則是在強化學習的驅動下，通過調用模型參數來實現對信息的使用。

當初做EverMemOS的時候，直接挑戰最難的多對多協作場景，而非基礎的1v1人機對話場景，就是因為他們把目光放在了更長遠的標準重塑上。

用EverMemOS，讓Agent擁有記憶

其次從需求側講，舉辦比賽一方面是為了擴大團隊的影響力，將技術推廣出去，讓行業得以復用，另一方面也是為了通過秀肌肉吸納更多相關領域人才，然后反哺EverMind的全鏈路技術研發。

這一點，從賽道設計中便可看出。三個賽道依次代表應用層、中間層、基礎設施，覆蓋到了用戶所有的開發環節，凸顯出EverMind對可循環應用生態的核心考量。

其實EverMind從一開始就定位明確。它并不滿足于成為一個RAG工具或向量數據庫，而是志在于做通向下一代人工智能的基礎設施，即長期記憶系統（Long Term Memory OS），賦予AI個性化、主動性，以及通過持續學習（Continual Learning）自我演化（Self Evolving）的能力。

EverMind希望能夠成為大模型記憶的書寫者，去親自定義記憶是如何被創建、組織、檢索和演化的。

而往更大的視角看，EverMind的野心也折射出了一個行業共識——

智能來到比拼長期記憶的下半場。

人類智能主要由因果推理和長期記憶能力構成，如果說OpenAI-o1、DeepSeek-R1為AI帶來了推理能力，那么長期記憶必然是下一代AI應該擁有的核心能力。

它將突破大模型的上下文局限，幫助Agent具備個性化特性，并持續進化出深層次的長期認知，這都是下一代AI必須有的特性。在模型能力日益同質化的背景下，哪家Agent能率先搭載高性能記憶系統，就意味著哪家能夠真正拉開差距，擁有留住用戶的護城河。

當然要實現這一點，不可能只靠一個團隊單打獨斗，而需要一整個生態協同發展，那么誰能成為這個生態的締造者，就顯得格外重要。

從某種程度講，這恰恰是盛大的舒適區。

在互聯網時代，盛大就靠著平臺生態證明了自己的能力邊界，而在如今新一輪AI時代里，盛大依舊能將過去的戰略經驗遷移過來，只是這一次它選擇的是記憶。

所以毋庸置疑，由盛大孵化的EverMind將成為這個領域里不可忽視的一抹力量，它的野心與實力堪配。

此行必然不易，但我們或許已然可以期待，在不久后的將來，有更多如同EverMind的探路者攜手共進，來真正揭開AI長期記憶迷宮的一角。

賽事報名：https://evermind.ai/activities
云服務入口：https://console.evermind.ai/
論文鏈接：https://arxiv.org/abs/2601.02163
代碼倉庫：https://github.com/EverMind-AI/EverMemOS
官網地址：https://evermind.ai/