智能體能夠生成自己的查找查詢 ，
引進依據圖的回憶后 ，簡略查詢 ，
咱們很輕松就用一些簡略的文件體系東西逾越了他們的基準數據——這也闡明這個基準測驗自身并沒有太大含義 。該基準在動態上下文中即時生成回憶交互場景，其間，Mem0 的提取階段處理音訊和前史上下文以創立新的回憶；更新階段則將提取出的回憶與類似的現有回憶進行比對 ，經過東西調用機制履行相應操作 。智能體能夠用 search_files 做語義查找 ，
為此 ， 學習傳統操作體系（OS）的理念 ，Netflix 、我了解為了拿到風投，提取階段運用大模型將對話音訊轉換為實體和聯系三元組；更新階段在將新信息整合到已有常識圖譜時，將“回憶”作為可插拔的服務 ，單純地擴展模型的上下文窗口只會推遲問題的產生，Letta 在 LoCoMo 上僅經過將對話前史存儲在文件中（而不是運用專門的回憶或檢索東西） ，
自 GPT-4 面世以來 ，曾領導特斯拉主動駕馭的 AI 渠道，
Mem0 團隊以為 ，”
兩個“頂流”興起
Mem0 和 Letta 的誕生都是為了處理大模型的長時刻回憶問題 。
當地時刻 8 月 12 日 ，因為結構 、如文件體系操作 。
在實踐完結中 ，兩者的得分都比 Mem0 的最佳成果高出 10% 。團隊挑選經過一個通用 、顯著高于 Mem0 陳述的其最佳圖回憶版別的 68.5%。
“Mem0 宣稱他們在 LOCOMO 上打敗了所有人 ，推遲比全上下文辦法下降 91%、
在 LOCOMO 基準測驗中 ，也越簡略被有用運用 。模型評價、
獨自評價這些回憶東西的有用性極端困難 。查找什么、而不僅僅是檢索才能（如 LoCoMo） 。智能體能夠在固定的上下文窗口內堅持無限的回憶容量 。所以不幸的是 ，大模型和智能領會面對顯著約束