Preconditioned DeltaNet: Curvature-aware Sequence Modeling for Linear Recurrences
预条件DeltaNet：用于线性递归的曲率感知序列建模
机构 * MIT（麻省理工学院）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.LG
AI总结 本文提出预条件DeltaNet，通过引入预条件技术改进线性递归模型，提升序列建模性能，在合成回忆基准和大规模语言模型中表现优异。
AI 大模型
语言大模型 / LLM
大语言模型、预训练、指令微调、后训练和语言模型应用。
1. 长上下文与记忆 4789 篇
PhysMem: Scaling Test-time Physical Memory for Robot Manipulation
PhysMem：为机器人操作扩展测试时的物理内存
机构 * Stanford University（斯坦福大学） ； UC San Diego（圣地亚哥大学）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI
AI总结 PhysMem通过测试时交互学习物理原理，提升机器人在不同环境下的物体操控能力，实验显示其在真实任务和模拟中均优于传统经验检索方法。
Progressive Online Video Understanding with Evidence-Aligned Timing and Transparent Decisions
渐进式在线视频理解与证据对齐的透明决策
机构 * University of Science and Technology of China（中国科学技术大学） ； Harvard University（哈佛大学） ； Department of CV, MBZUAI（MBZUAI计算机视觉部门） ； Dalian University of Technology（大连理工大学） ； Stanford University（斯坦福大学） ； Chicago University（芝加哥大学）
专题命中 长上下文与记忆 ：LLM(abstract_cn)；分类 cs.AI
AI总结 本文提出一种新型框架，通过分离推理控制与记忆整合，解决在线视频理解中的决策透明、时间对齐和计算预算限制问题，显著提升了性能。
ATANT v1.1: Positioning Continuity Evaluation Against Memory, Long-Context, and Agentic-Memory Benchmarks
ATANT v1.1：针对内存、长上下文和代理记忆基准的连续性评估
机构 * Kenotic Labs（肯otic实验室）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文基于ATANT v1.0，分析了现有内存基准与连续性定义的不匹配，指出各基准仅覆盖少量连续性属性，提出连续性评估的校准对比例。
Comments Companion paper to arXiv:2604.06710 (ATANT v1.0). 12 pages, 1 table, 2 appendices. Related-work extension; does not modify the v1.0 standard
Memory Intelligence Agent
记忆智能代理
机构 * East China Normal University（华东师范大学） ； Shanghai Innovation Institute（上海创新研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Xiamen University（厦门大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Independent Researcher（独立研究者）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出Memory Intelligence Agent框架，通过Manager-Planner-Executor架构实现高效记忆演化，结合强化学习与双向记忆转换，提升推理与自进化能力。
MEMRES: A Memory-Augmented Resolver with Confidence Cascade for Agentic Python Dependency Resolution
MEMRES: 一种带有置信度级联的内存增强解析器用于代理Python依赖解析
机构 * Faculty of Information Technology（信息科技学院） ； University of Science（科学大学） ； Vietnam National University（越南国家大学）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 MEMRES通过多级置信度级联和内存增强技术提升Python依赖解析效率，其结合自演化记忆、错误模式知识库、语义导入分析及Python 2启发式检测器，实现86.6%的解析成功率。
Comments 4 pages, 1 figure, to appear in Proc. FSE Companion '26
Transferable Expertise for Autonomous Agents via Real-World Case-Based Learning
通过现实世界案例学习实现自主代理的可迁移专业技能
机构 * National Glycoengineering Research Center, Shandong University（山东大学糖工程研究中心） ； State Key Laboratory of Microbial Technology, Shandong University（山东省微生物技术重点实验室）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出基于案例学习的框架，通过将过往任务经验转化为可重用的知识资产，使自主代理能迁移先前经验以执行更结构化的分析，在六个复杂任务类别基准测试中表现优异，尤其在复杂任务上优势显著。
ReflectCAP: Detailed Image Captioning with Reflective Memory
ReflectCAP: 基于反思记忆的详细图像描述
机构 * IPAI, Seoul National University（首尔国立大学IPAI） ； Dept. of ECE, Seoul National University（首尔国立大学电子与计算机工程系） ； Adobe Research（Adobe研究）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI
AI总结 ReflectCAP通过反思笔记指导生成详细且准确的图像描述，平衡事实性和覆盖性，优于现有方法。
Anchored Sliding Window: Toward Robust and Imperceptible Linguistic Steganography
基于锚定滑动窗口：迈向稳健且不可察觉的语言隐写术
机构 * Graduate School of Informatics, Kyoto University（京都大学信息学研究科） ； School of Software, Tsinghua University（清华大学软件学院）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.CL
AI总结 本文提出锚定滑动窗口框架，通过引入提示和桥接上下文提升语言隐写术的隐蔽性和鲁棒性，实验表明其在文本质量、隐蔽性和鲁棒性上均优于基线方法。
Comments ACL2026 Main
MemDLM: Memory-Enhanced DLM Training
MemDLM：增强记忆的DLM训练
机构 * The Chinese University of Hong Kong（香港中文大学） ； Huawei Technologies Co., Ltd（华为技术有限公司）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.CL
AI总结 MemDLM通过引入双通道记忆机制，利用Bi-level优化在训练中嵌入模拟去噪轨迹，提升长上下文表示和训练效率，同时在推理时启用内循环实现特定提示适应。
MerNav: A Highly Generalizable Memory-Execute-Review Framework for Zero-Shot Object Goal Navigation
MerNav：一种高度可泛化的记忆-执行-审查框架用于零样本物体目标导航
机构 * Amap, Alibaba Group（高德，阿里巴巴集团） ； Xi’an Jiaotong University（西安交通大学）
专题命中 长上下文与记忆 ：SFT(abstract)；分类 cs.CL
AI总结 本文提出MerNav框架，通过记忆、执行和审查模块提升视觉语言导航任务中的成功率和泛化能力，在多个数据集上均取得显著提升。
Comments 9 pages, 2 figures, 5 tables, conference
From GPT-3 to GPT-5: Mapping their capabilities, scope, limitations, and consequences
从GPT-3到GPT-5：映射其能力、范围、限制及后果
机构 * University of Bergen（卑尔根大学） ； Norwegian University of Life Sciences（挪威生命科学大学） ； Sohar University（苏哈尔大学） ； Norwegian University of Science and Technology（挪威科技大学） ； Kristiania University of Applied Sciences（克里斯蒂安尼亚应用科学大学）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI
AI总结 本文比较分析GPT系列从GPT-3到GPT-5的发展，探讨技术演进、能力变化、部署转变、持续限制及下游影响，强调后续版本不仅是更大更准的模型，而是更复杂的系统。
CodeComp: Structural KV Cache Compression for Agentic Coding
CodeComp: 用于代理编程的结构化KV缓存压缩
机构 * The University of Hong Kong（香港大学） ； LMSYS Org（LMSYS组织）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.CL
AI总结 CodeComp通过引入静态程序分析，在LLM推理中整合代码属性图先验，有效压缩KV缓存，提升代码定位和生成任务的准确性与效率。
EchoTrail-GUI: Building Actionable Memory for GUI Agents via Critic-Guided Self-Exploration
EchoTrail-GUI: 通过批评者引导的自我探索构建可操作的记忆以改进GUI代理
机构 * Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团） ； East China Normal University（华东师范大学） ； Shanghai Innovation Institute（上海创新研究院）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI
AI总结 本文提出EchoTrail-GUI框架，通过动态记忆系统提升GUI代理任务成功率和效率，验证了结构化记忆在GUI自动化中的有效性。
Comments CVPR 2026 Findings
Let the Agent Steer: Closed-Loop Ranking Optimization via Influence Exchange
让代理引导：通过影响交换实现闭环排名优化
机构 * Shopee
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出Sortify，首个自主LLM驱动的排名优化代理，通过影响交换闭环实现从诊断到参数部署的自动化优化，解决了结构问题并提升了GMV和广告收入。
Low-Rank Key Value Attention
低秩键值注意力
专题命中 长上下文与记忆 ：pretraining(abstract)；分类 cs.LG
AI总结 本文提出低秩键值注意力机制，通过利用注意力头间的冗余减少KV缓存内存消耗，同时保持计算效率，在多个基准测试中表现优异。
Poison Once, Exploit Forever: Environment-Injected Memory Poisoning Attacks on Web Agents
一次投毒，永久利用：针对网络代理的环境注入内存投毒攻击
机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon Web Services（亚马逊云服务）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 研究提出eTAMP攻击，通过环境观察污染代理内存，实现跨会话和跨网站的持久化攻击，实验显示攻击成功率高达32.5%，且环境压力下代理易受攻击，高能力模型同样存在漏洞。
ENCRUST: Encapsulated Substitution and Agentic Refinement on a Live Scaffold for Safe C-to-Rust Translation
ENCRUST：在活体支架上进行封装替换和代理细化以实现安全的C到Rust翻译
机构 * Korea University（高丽大学） ； University of Houston（休斯顿大学） ； State University of New York Korea（纽约州立大学韩国分校）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 ENCRUST通过封装替换和代理细化方法，解决C到Rust翻译中的类型不匹配和不安全构造问题，通过ABI保持封装模式和整体代码库验证，实现安全且可编译的转换。
Symbolic-Vector Attention Fusion for Collective Intelligence
符号-向量注意力融合用于集体智能
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出SVAF机制，通过分解多智能体信号并评估语义字段，实现知识融合与选择性过滤，提升集体智能性能。
Comments 26 pages, 14 tables, 0 figures
ContextBudget: Budget-Aware Context Management for Long-Horizon Search Agents
ContextBudget: 长时间 horizon 搜索代理的预算感知上下文管理
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出BACM方法，通过预算约束的序列决策问题管理上下文，结合BACM-RL强化学习方法，在多目标问答和长时间网页浏览任务中优于现有方法，尤其在高复杂度场景下表现突出。
Cost-Penalized Fitness in FMA-Orchestrated Mixture of Experts: Experimental Evidence for Molecular Memory in Domain Adaptation
在FMA协调的专家混合系统中的成本惩罚适应性：领域适应中分子记忆的实验证据
机构 * Department of Electricity and Electronics, University of Valladolid（巴利亚多利德大学电子与电气工程系）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.LG
AI总结 本文通过纳米FMT实验探讨了在数据分布变化时，MoE系统如何通过多样化而非替换积累领域专业知识，展示了分子记忆效应带来的高效领域迁移能力。
Comments 10 pages, 3 figures, draft
BotVerse: Real-Time Event-Driven Simulation of Social Agents
BotVerse: 基于事件驱动的实时社会代理高保真模拟
机构 * Computer Science Dept., Sapienza University of Rome（罗马大学计算机科学系）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 BotVerse通过LLM代理实现高保真社会模拟，提供安全实验环境用于红队测试和计算社会科学研究。
Multi-Agent Memory from a Computer Architecture Perspective: Visions and Challenges Ahead
从计算机架构角度看多智能体记忆：愿景与未来挑战
机构 * University of California, San Diego（加利福尼亚大学圣迭戈分校） ； Georgia Institute of Technology（佐治亚理工学院）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文从计算机架构角度探讨多智能体系统内存问题，提出三层内存层次结构并指出缓存共享和结构化内存访问控制两大关键协议缺口，强调多智能体内存一致性是当前最紧迫的挑战。
GSEM: Graph-based Self-Evolving Memory for Experience Augmented Clinical Reasoning
基于图的自演化记忆：用于经验增强的临床推理
机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology, China（社会计算与交互机器人研究中心，哈尔滨工业大学，中国）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出GSEM，一种基于图的自演化记忆框架，通过双层记忆图组织临床经验，捕捉决策结构与经验间的关系依赖，实现应用感知检索和在线反馈校准，实验显示在两个基准上均取得最高准确率。
MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution
MemMA：通过多智能体推理和现场自进化协调内存循环
机构 * The Pennsylvania State University（宾夕法尼亚州立大学） ； Amazon（亚马逊） ； Microsoft（微软）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 MemMA通过多智能体推理和现场自进化协调内存循环，解决内存循环正向路径的战略盲区和反向路径的稀疏延迟监督问题，提升长周期交互性能。
Comments 23 pages, 5 figures
Modality Equilibrium Matters: Minor-Modality-Aware Adaptive Alternating for Cross-Modal Memory Enhancement
模态均衡至关重要：面向跨模态记忆增强的次要模态感知自适应交替方法
机构 * School of Information Management, Wuhan University（武汉大学信息管理学院）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.LG
AI总结 本文提出一种基于Shapley值的自适应交替训练框架，通过优先考虑次要模态平衡融合，引入记忆模块和跨模态映射机制，提升多模态学习性能，在四个基准数据集上取得SOTA结果。
Comments Accepted by TPAMI
VideoAtlas: Navigating Long-Form Video in Logarithmic Compute
VideoAtlas: 在对数计算中导航长视频
机构 * King Abdullah University of Science and Technology (KAUST)（卡斯特大学） ； Department of Computer Science, King Khalid University (KKU)（国王 Khalid 大学计算机科学系） ； Department of Computer Science, Edge Hill University（Edge Hill 大学计算机科学系）
专题命中 长上下文与记忆 ：language model(abstract)；分类 cs.AI
AI总结 VideoAtlas通过层次化网格结构实现长视频的无损表示，解决视频表示和长上下文问题，提出Video-RLM架构，展示对数计算增长、环境预算和自适应计算分配等贡献。
FailureMem: A Failure-Aware Multimodal Framework for Autonomous Software Repair
FailureMem: 一种面向故障的多模态框架用于自主软件修复
机构 * Nanjing University（南京大学） ； SenseTime（秒速） ； The Chinese University of Hong Kong（香港中文大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出FailureMem框架，通过融合工作流代理、主动感知工具和故障记忆库，提升多模态自动程序修复的效率与准确性，实验表明其在GUI修复任务中解决率提升3.7%。
Graph-Native Cognitive Memory for AI Agents: Formal Belief Revision Semantics for Versioned Memory Architectures
面向AI代理的图原认知记忆：版本化记忆架构的正式信念修订语义
机构 * Kumiho Inc.（科米霍公司）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出Kumiho架构，结合正式信念修订语义，实现统一的图原记忆系统，通过双重存储模型和混合检索方式，在LoCoMo和LoCoMo-Plus基准测试中取得显著性能提升。
Comments 56 pages, 1 figure
Selective Memory for Artificial Intelligence: Write-Time Gating with Hierarchical Archiving
选择性记忆用于人工智能：具有层次归档的写时门控
机构 * Independent Researcher（独立研究者） ； University of Cambridge（剑桥大学）
专题命中 长上下文与记忆 ：LLM(abstract)；分类 cs.AI
AI总结 本文提出写时门控机制，通过复合显著性评分筛选知识对象，保持版本链以保存先前状态，实验证明其在噪声环境下优于传统方法，尤其在干扰比例增加时表现更优。
Comments 20 pages, 8 figures
