AI Agent

BMAM: Brain-inspired Multi-Agent Memory Framework

基于大脑的多智能体记忆框架 BMAM

Yang Li, Jiaxiang Liu, Yusong Wang, Yujie Wu, Mingkun Xu

机构 * Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院） ； Institute of Science Tokyo（东京科学研究所） ； The Hong Kong Polytechnic University（香港理工大学） 纠错

专题命中 记忆与上下文管理 ：agent(title,abstract)；multi-agent(title,abstract)；分类 cs.CL

AI总结 BMAM 提出了一种基于大脑认知机制的多智能体记忆框架，通过分解记忆为事件型、语义型等子系统，提升长时间交互中的信息保持和行为一致性，实验显示其在 LoCoMo 基准上达到 78.45% 的准确率。

Comments Submitted to ACL (ARR 2026 January submission); non-anonymous preprint

Mem2ActBench: A Benchmark for Evaluating Long-Term Memory Utilization in Task-Oriented Autonomous Agents

Mem2ActBench: 一个评估面向任务的自主代理长期记忆利用的基准

Yiting Shen, Kun Li, Wei Zhou, Songlin Hu

机构 * Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 记忆与上下文管理 ：autonomous agent(title)；tool-use(abstract)；分类 cs.AI、cs.CL

AI总结 Mem2ActBench是一个评估自主代理利用长期记忆执行任务能力的基准，通过合成工具使用任务验证记忆应用的有效性。

Deep Researcher with Sequential Plan Reflection and Candidates Crossover (Deep Researcher Reflect Evolve)

具有序列计划反思和候选交叉的深度研究员（深度研究员反思进化）

Saurav Prateek

机构 * Saurav Prateek（独立研究者） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI

AI总结 深度研究员通过序列计划反思和候选交叉算法，实现对博士级别研究任务的高效处理，取得优于现有方法的性能。

Comments 11 pages, 6 figures, 2 tables, source code: https://github.com/SauravP97/deep-researcher-reflect-evolve/

Learning about a changing state

学习一个变化的状态

Benjamin Davies

专题命中 记忆与上下文管理 ：agent(abstract)

AI总结 本文研究了在状态随时间变化时，贝叶斯代理人如何选择信号精度以平衡成本和信息性，比较了布朗运动和其他高斯过程下的最优策略。

Comments 23 pages; 2 figures. V2 fixes typos/grammar, adds some references, and removes some footnotes