EverMind 打造 SOTA 级 AI 长期记忆基础设施

开年，DeepSeek论文火遍全网，内容聚焦大模型记忆。

无独有偶，谷歌近期也发布了一篇被誉为“Attention is all you need”V2（Nested Learning: The Illusion of Deep Learning Architectures）的重磅论文，核心同样指向记忆瓶颈。

就连最近这只彻底破圈的AI大龙虾——OpenClaw（原名Clawdbot），其亮点之一依旧是记忆。

也就是说，记忆≈今年全球AI圈集体押注的技术风口≈皇冠明珠。

几乎所有你能想到的大模型团队，都在加班加点往自家模型里塞记忆功能……

但这一次，让我们把视线从这些科技巨头身上稍稍挪开，就会发现有一支后起之秀同样不容小觑。

他们就是陈天桥和邓亚峰带队的EverMind最新发布世界级长期记忆系统——EverMemOS，发布即SOTA。

一举打破多项记忆基准测试的同时，还能远超此前所有的基线方法。

其次，它是真正能用的。

不是只会跑测试的“花架子”，实际部署后效果照样能打。而且团队有底气有信心，技术代码全部开源。

为了方便开发者使用，他们刚刚还专门上线了云服务——现在只需一个最简单的API，就能直接将最前沿的大模型记忆能力装进自己的应用。

并且要知道，从EverMemOS正式立项到开源，团队只用了短短四个月时间，这是什么实力不必多说。

学习大脑记忆机制，成了。

启发于脑科学技术的研究成果，盛大一直以来非常重视长期记忆领域的研究。早在2024年10月，盛大团队就对外发布了长期记忆领域的纲领性文章《Long Term Memory-The Foundation of AI Self-Evolution》。

基于盛大多个团队在该领域的持续积累，EverMind在2025年8月正式启动EverMemOS项目，并于11月对外正式发布开源版本。

EverMemOS是EverMind打造的首款AI记忆基础设施，对比同赛道团队，似乎姗姗来迟。

Mem0、Zep等产品最早都能追溯到2024年，现在商业化最成功的开发者框架Letta（原MemGPT）也是2023年就开始起步。

EverMemOS却交出了亮眼的答卷：最晚入场，但效果弯道超车。

从技术角度看，它同时继承了基于外部存储和基于隐状态两种路径。不过业内并非没有尝试过此类方案，但EverMind显然在记忆提取的精准度和逻辑一致性上实现了更优的平衡。

原因在于EverMind抓住了精髓，用邓亚峰的话说，就是：

通过EverMemOS，我们赋予智能体一个活的、不断演化的历史。

这里的关键词其实是“活的”。那么如何能保存最鲜活的记忆呢？人类大脑。

这就引出了EverMind的独特思路——生物启发。

具体来讲，EverMemOS通过模拟人类记忆的形成并转化为计算框架，利用三阶段层层递进以实现大模型长期记忆的存储和提取：

Step 1：情景轨迹构建。

对应人脑的海马体和内嗅皮层，可以将连续的对话内容拆分成一个个独立的记忆单元（MemCell），每个单元里不仅记录有完整的聊天内容，还包括一些关键事实、时效信息等。

Step 2：语义整合。

类比新皮层（前额叶皮层+颞叶皮层），系统会将内容相关的记忆单元归类在一起，形成主题化的记忆场景（MemScene），同时还会更新用户画像，区分用户的长期稳定偏好和短期临时状态。

Step 3：重构式回忆。

这一步对应的是前额叶皮层和海马体的协同机制，当用户提问时，系统就会在记忆场景的引导下进行智能检索，只挑选出必要且足够的记忆内容，用于后续的推理任务。

由此，AI学会像人类一样记忆——这不仅是知识的数据库存储，更是认知系统的深度整合。如此一来，即便是在多个Agent之间，也能实现信息的高效传递。

至于效果如何，咱们还是眼见为实，看看基准测试结果。

团队选取了4个主流记忆基准测试，以及多种大模型记忆增强方法。所有方法都基于同一基础大模型（GPT-4o-mini或GPT-4.1-mini）进行测试。

结果也很明显，EverMemOS大获全胜，全面超越现有记忆系统和全上下文模型。

其中在LoCoMo上，准确率直接一跃来到93.05%，尤其是在多跳推理和时序任务上表现突出，分别提升19.7%和16.1%，同时token使用量和计算成本得到大幅度降低。

在多会话对话评估LongMemEval里，EverMemOS同样以83%的准确率位居榜首，说明在面对跨度极大、信息量极高的场景中，EverMemOS依旧能够精准检索和关联到过去的信息，并且通过持续交流还会不断进化完善自己。

HaluMem由MemTensor和中国电信研究院联合发布，是业界首个面向AI记忆系统的操作级幻觉评估基准。而EverMemOS在保证记忆完整性的同时，也显著改善了幻觉现象。

在PersonaMem v2里，EverMemOS在九个复杂场景中依旧全场最佳，保证了深度个性化和行为一致性。

足以见得，EverMemOS是相当全能的一枚选手，记性好、搜得准，关键还运行速度快、成本还够低，最长可突破百兆上下文限制。

一边帮大模型减负，一边帮大模型补记忆力，堪称大模型版安神补脑液。

连接智能的关键在记忆

那么最后，我们再来看看EverMind究竟意欲何为？毕竟又是发新技术、新平台，又是办比赛，这一套组合拳下来，野心可不小。

首先从供给侧讲，EverMind正在试图用EverMemOS重新定义大模型记忆的技术路线。

EverMemOS没有沿着原来已有的技术方案延展，而是实打实地摸索出了一条以脑科学+AI的独特路径，而且它的技术成熟度出乎意料地扎实，说明EverMemOS还只是EverMind布局的冰山一角。

事实上，据EverMind透露，他们已经开始构造一整套的混合解决方案，其中底层是信息处理模块，上层则是在强化学习的驱动下，通过调用模型参数来实现对信息的使用。

当初做EverMemOS的时候，直接挑战最难的多对多协作场景，而非基础的1v1人机对话场景，就是因为他们把目光放在了更长远的标准重塑上。

其次从需求侧讲，举办比赛一方面是为了扩大团队的影响力，将技术推广出去，让行业得以复用，另一方面也是为了通过秀肌肉吸纳更多相关领域人才，然后反哺EverMind的全链路技术研发。

这一点，从赛道设计中便可看出。三个赛道依次代表应用层、中间层、基础设施，覆盖到了用户所有的开发环节，凸显出EverMind对可循环应用生态的核心考量。

其实EverMind从一开始就定位明确。它并不满足于成为一个RAG工具或向量数据库，而是志在于做通向下一代人工智能的基础设施，即长期记忆系统（Long Term Memory OS），赋予AI个性化、主动性，以及通过持续学习（Continual Learning）自我演化（Self Evolving）的能力。

EverMind希望能够成为大模型记忆的书写者，去亲自定义记忆是如何被创建、组织、检索和演化的。

而往更大的视角看，EverMind的野心也折射出了一个行业共识——

智能来到比拼长期记忆的下半场。

人类智能主要由因果推理和长期记忆能力构成，如果说OpenAI-o1、DeepSeek-R1为AI带来了推理能力，那么长期记忆必然是下一代AI应该拥有的核心能力。

它将突破大模型的上下文局限，帮助Agent具备个性化特性，并持续进化出深层次的长期认知，这都是下一代AI必须有的特性。在模型能力日益同质化的背景下，哪家Agent能率先搭载高性能记忆系统，就意味着哪家能够真正拉开差距，拥有留住用户的护城河。

当然要实现这一点，不可能只靠一个团队单打独斗，而需要一整个生态协同发展，那么谁能成为这个生态的缔造者，就显得格外重要。

从某种程度讲，这恰恰是盛大的舒适区。

在互联网时代，盛大就靠着平台生态证明了自己的能力边界，而在如今新一轮AI时代里，盛大依旧能将过去的战略经验迁移过来，只是这一次它选择的是记忆。

所以毋庸置疑，由盛大孵化的EverMind将成为这个领域里不可忽视的一抹力量，它的野心与实力堪配。

此行必然不易，但我们或许已然可以期待，在不久后的将来，有更多如同EverMind的探路者携手共进，来真正揭开AI长期记忆迷宫的一角。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。