智能体与自主科学
突破级
暂无讲解视频
收录解读
长程、多模态、可持续更新的 agent memory 仍然是现实智能体最难补齐的短板之一。问题不只是设计一个 memory store，而是同时要在架构、检索、prompt、数据流水线和评测之间做联动优化。OmniMem 针对的正是这个高度耦合、靠人工很难系统搜索的 memory design space。
论文核心贡献有两层。第一层是 OmniMem 本身，一个 unified multimodal lifelong memory framework；第二层更重要，是作者部署了一条 autonomous research pipeline，让系统在无人工内环干预下自主运行约 50 个实验，诊断失败模式、提出结构修改、修复数据流水线 bug，并据此把 LoCoMo 与 Mem-Gallery 上的成绩从很弱的 baseline 推到新的 SOTA。
这篇工作值得收录，因为它同时触及了仓库的两条主线：agent memory 与 self-improving/autoresearch systems。它证明了 memory system 的关键进步并不只是超参，而可能来自 bug 修复、架构调整和 prompt 改写等异质改动，而这些可以被一个 autoresearch loop 真正发现和累积。
它暂时不更高，是因为当前证据仍主要来自作者构建的自动研究闭环和指定 benchmark。虽然信号很强，但长期影响力还要看这条 autoresearch-guided memory design 路线是否被更多团队采纳，以及在更开放、更真实的 agent memory 任务中能否稳定复现。