首個 AI 記憶作業系統 MemOS 亮相：時間推理能力提升 159%

如果你經常用大模型，大機率遇過這種尷尬場面：前腳剛在對話方塊裡交代清楚自己的飲食忌口，換個視窗問餐廳推薦，它立刻把你當成第一天見面的陌生人。

大模型雖然越來越聰明，但一直存在嚴重的「失憶症」。每開一個新會話，一切就得從零開始。即便當下有檢索增強生成（RAG）這類外掛方案，本質上也只是在對話時臨時抓取靜態片段，缺乏真正的生命週期管理。

上海交通大學與浙江大學等團隊公佈了一項新研究，推出了首個專門針對 AI 的記憶作業系統 MemOS，試圖從底層重構 AI 的記憶機制。

把記憶做成可插拔的「立方體」

MemOS 的核心思路很底層：它把記憶看作一種類似 CPU 或儲存的計算資源，可以統一排程、共享並在使用中不斷進化。

為了做到這一點，研究團隊提出了一個叫「MemCube」（記憶立方）的標準單元。無論是明確的文本知識、模型引數層面的微調適配，還是即時的啟用狀態，都能被打包塞進這個立方體裡。

這帶來了一個最直接的好處：跨平臺記憶遷移。以往你在 ChatGPT 裡磨合了很久的使用者畫像，換到另一個辦公工具就得重新教一遍。有了標準化的記憶單元，AI 的記憶就能像檔案一樣在不同平臺和裝置間帶走，徹底打破「記憶孤島」。

此外，系統還引入了 KV 快取記憶注入機制，把記憶提取直接打進模型的推理路徑中。在特定配置下，首字生成延遲（TTFT）大幅降低了 94%，幾乎消除了傳統外掛檢索帶來的卡頓。

基準測試全面霸榜

在專門評估重度記憶與推理任務的 LOCOMO 基準測試中，MemOS 的表現相當亮眼。

根據論文披露的資料，MemOS-0630 在所有測試類別中均位列第一，全面超過了 mem0、LangMem、Zep 以及 OpenAI 原生的記憶方案。

在整體指標上，MemOS 相比 OpenAI 記憶系統提升了 38.98%。而在需要理清先後順序、跨越多次對話的時間推理任務上，效能提升更是達到了誇張的 159%。

這也反向印證了研究團隊的判斷：過去大模型推理能力的上限，很大一部分其實是被混亂無序的記憶管理給硬生生卡住了。

為什麼重要

對使用者和企業來說，這一步切中了最現實的痛點。我們認為，現在的 AI Agent 遲遲無法在複雜企業業務中落地，核心原因就是管不好跨越幾天甚至幾星期的長週期任務。如果記憶能沉澱、演化且隨身攜帶，AI 才能真正變成長期可信賴的數字員工，而不是每次都要重新培訓的臨時工。

從行業競爭來看，MemOS 做得最聰明的地方是提出了標準化記憶協議。OpenAI 等巨頭傾向於把記憶鎖在自己的花園裡，以此增加使用者的遷移成本；而高校團隊開源並推進標準化，相當於在給整個生態修一條通用公路，逼著平臺廠商開放資料流動。

不過這套系統目前看起來也面臨挑戰。引數級和啟用狀態的記憶單元，對底層模型的架構繫結往往較深；跨模型、跨尺寸遷移時，相容性和隱私邊界到底怎麼劃，依然需要後續實踐來驗證。但無論如何，把記憶從外掛檢索升級為作業系統，給行業指出了一條更清晰的演進方向。