智能始于记忆

开源记忆操作系统

记忆张量团队主导研发的原生记忆框架，用于构建能够记忆、适应和进化的智能系统

LightMem

轻量化可插拔记忆系统

针对大模型在长程交互中普遍面临的上下文受限、信息遗忘与记忆冗余等问题，提出了受人类记忆机制启发的轻量化架构 LightMem，通过语义压缩与噪声过滤显著降低无效信息负担，以语义主题动态划分优化记忆组织与检索效率，并在离线阶段引入“睡眠式”更新以完成记忆重组与知识巩固。LightMem 在确保记忆高保真与一致性的同时，降低计算与存储开销，为大语言模型与智能体提供了一种高效、可扩展的长期记忆解决方案，支撑个性化等复杂应用场景。

Text2Mem

统一记忆操作语言

提出面向智能体记忆管理的统一语言 Text2Mem，将自然语言转化为标准化 JSON 指令，覆盖编码、存储、检索等多类操作，并通过解析、校验与适配层，实现跨异构记忆后端的安全、确定与可移植执行，为记忆控制提供标准基础。

KaLM-V2

高性能通用文本编码器

针对RAG系统检索效率与精度的平衡难题，提出多尺度通用嵌入模型。在涵盖数千种语言、数百项任务、横跨9大任务类型的MTEB评测中综合成绩位列全球第一，超越了包括英伟达nvidia/llama-embed-nemotron-8b、阿里Qwen/Qwen3-Embedding-8B、谷歌Google/gemini-embedding-001 等国内外主流开源与闭源模型。已大规模落地使用，公开下载100余万次。

MoM

面向RAG的文档记忆提取

将传统RAG的被动分块升级为主动文档记忆构建，通过专家化大模型生成逻辑大纲与核心片段，结合多路径采样与多维评估筛选高质量记忆，并训练小模型具备类人阅读与三层记忆检索能力，提升多域检索生成表现。

MoC

面向RAG的混合文档分块专家

提出用于评估文本切分质量的边界清晰度与块黏性双指标，并构建粒度感知混合切分框架，引导模型生成正则化切分规则，在兼顾算力与精度的前提下获得结构化高质量文本块，显著提升 RAG 检索与生成效果。

HaluMem

记忆幻觉评估框架

提出了业内首个面向记忆操作系统的幻觉评估框架，支持细粒度的、流程化的幻觉评估，帮助记忆操作系统快速定位幻觉类型，指导优化方向

RecCocktail

面向个性化推荐系统场景的参数化记忆融合方法

针对个性化推荐场景，将领域通用的用户参数化记忆与特定场景的用户参数化记忆在权重空间中自适应融合，在推理阶段无额外开销的前提下通过即插即用的模块化设计使得任意领域记忆都能高效融入基础推荐能力中。提升个性化推荐模型在多种场景下的性能

SafeRAG

RAG安全评测基准

SafeRAG 提出面向RAG的安全评测基准，构建覆盖噪声注入、上下文冲突、软广告和拒服务等攻击任务的数据集，系统模拟多种攻击场景，实证揭示现有 RAG 组件在面对恶意知识操控时的严重漏洞。

CRUD-RAG

中文RAG综合评测基准

构建大规模中文检索增强生成评测基准，从创建、读取、更新、删除四类应用场景系统设计数据集与指标，联合考察检索器、知识库与大模型等组件表现，为不同场景下优化 RAG 提供实证参考。