MIT突破Agent长程推理效率瓶颈MIT新招教AI整理思绪
AI Agent正在被要求处理越来越多复杂的任务。
但当它要不停地查资料、跳页面、筛选信息时，显存狂飙、算力吃紧的问题就来了。
针对这一难题，MIT和新加坡国立大学联合提出了MEM1框架。实验结果显示，7B参数MEM1模型的推理速度能达到传统14B模型的3.5倍，同时峰值上下文token（peak token）数量约为后者1/4。
该框架提出了一种基于强化学习的推理方案，通过让智能体学会将记忆更新作为上下文的一部分，从而实现近似常量级的显存开销（near constant memory）。
目前相关论文已被大语言模型会议COLM 2025 Reasoning，Attention & Memory：RAM 2 workshop收录为口头报告（Oral），会议将于今年10月份在加拿大蒙特利尔举办。
