3月3日讯，Anthropic公司宣布，Claude的记忆功能已从周一起向免费用户开放，此前该功能仅限付费用户使用。这一功能与OpenAI旗下ChatGPT免费版本类似，可提升用户体验。此外，Anthropic还优化了新用户从其他AI聊天机器人（如ChatGPT）导入历史记录的操作，只需简单复制粘贴即可完成。这一更新为用户在不同平台间迁移数据提供了便利，进一步增强了Claude的竞争力。

2026年2月10日，阿里达摩院开源了RynnBrain具身大脑基础模型，包含2B到30B参数的7个版本。这是业界首个拥有时空记忆的具身智能模型，能理解物理空间并记住物体位置和轨迹，性能超越英伟达Cosmos-reason2和谷歌Gemini Robotics等顶尖模型，在20项基准测试中拿下16个SOTA。RynnBrain-30B-A3B仅需3B激活参数，性能却超越72B规模的Pelican-VL，显著降低硬件成本与响应时间。模型基于Qwen3-VL训练，采用自研RynnScale架构优化训练速度，并使用超2000万对高质量语料，包括‘自我为中心’的OCR数据，增强物理世界理解能力。此外，达摩院还开源了完整代码及评测基准RynnBrain-Bench，为行业提供统一基础设施，降低研发、系统与协作门槛，推动具身智能生态发展。

2025年1月，质变科技发布全球首个多模态记忆平台MemoryLake，标志着AI基础设施从“数据驱动”迈向“记忆驱动”时代。该平台由MemoryLake-D1大模型、记忆引擎和多模态存储与计算平台三大核心组件构成，解决多模态信息融合、数据碎片化、决策不准确等企业AI落地痛点。其记忆引擎在长程对话基准测试中以94%的综合得分全球领先，支持复杂推理与跨概念检索；多模态数据平台可管理超10万亿条记录，实现毫秒级检索。MemoryLake已在金融、制造、游戏等行业服务超150万用户和1.5万家企业，助力复杂决策、动态交互与实时风控场景智能化升级。创始人称，AI未来是记忆驱动的未来，MemoryLake为企业提供更懂业务的“记忆系统”，推动认知计算时代的到来。

AI编程节省95% Token，工具调用上限提升20倍，开源记忆系统Claude-Mem登顶GitHub热榜 Claude-Mem是一款开源记忆系统，解决了AI编程助手跨会话失忆的痛点。传统AI每次新会话都需要重新解释项目背景，浪费时间和Token。Claude-Mem通过本地环境的记忆系统，记...

2026年2月，陈天桥与邓亚峰带领的EverMind团队推出世界级长期记忆系统EverMemOS，仅用4个月便达到SOTA水平，性能全面超越现有记忆增强方法。该系统模拟人类大脑记忆机制，通过情景轨迹构建、语义整合和重构式回忆三阶段实现大模型长期记忆存储与提取，并在多个基准测试中表现优异，如LoCoMo准确率达93.05%。团队不仅开源代码，还上线云服务，开发者可通过API快速部署。此外，EverMind联合多家技术社区发起首届全球记忆起源大赛，总奖金8万美元，分三大赛道，旨在推动AI记忆技术应用与创新。比赛将持续至4月，目前已开放注册。

正文：2026年2月5日，质变科技发布首个大规模记忆湖产品MemoryLake，标志着AI基础设施进入‘记忆’时代。MemoryLake集成了大模型、记忆引擎和多模态存储计算平台，具备超大规模实践能力，可处理10万亿级记录和亿级文档，性能指标显著优于竞争对手。该产品通过分层管理短期、中期、长期记忆，支持跨端、跨域通用，并兼容多种主流协议，大幅降低企业部署成本。其核心优势在于多模态数据深度理解与精准提取能力，能将文本、音视频等非结构化数据转化为可靠记忆资产。此外，MemoryLake在长程对话记忆基准测试LoCoMo中以94%的综合得分位列全球第一。目前，MemoryLake已服务150万专业用户和1.5万家企业，覆盖金融、制造、游戏等多个行业，帮助企业实现隐性知识数字化和核心能力沉淀。

2026年1月20日，开发者通过Smart Forking技术为Claude Code注入长期记忆能力，使其无需重复解释即可继承历史对话上下文。这项基于向量检索的创新方案，将碎片化记忆转化为智能工作流，重构人机协作模式。开发者社区反响热烈，称其成功率达100%。与此同时，Anthropic官方正设计类似的知识库功能，两者路径不同但可能未来融合。Claude Code近期因破圈应用引发轰动，从编程到数据分析、恢复照片等场景广泛使用，甚至让部分用户感到职业危机。此外，Anthropic新推出的Cowork进一步扩展了AI的应用边界。Claude的崛起标志着AI发展进入新阶段，记忆组织方式或成下一代AI分水岭。

2026年1月，英伟达联合Astera研究所、斯坦福大学等推出开源大模型记忆压缩方案TTT-E2E。该方法基于动态学习路径，通过实时压缩上下文信息到模型权重中，避免额外缓存需求，在128K上下文处理速度上比全注意力模型快2.7倍，2M上下文提速35倍且性能无损。其核心是将长文本建模转化为持续学习任务，采用元学习优化训练与测试的端到端对齐，并设计三项关键优化（迷你批处理+滑动窗口、精准更新策略、双MLP设计）。实验显示，TTT-E2E在3B参数模型中的表现优于同类模型，推理延迟恒定，适合高效处理超长文本。不过，其在细节召回任务中表现稍逊，且元学习训练较慢。目前代码与论文已开源，项目负责人Stanford博士后Yu Sun主导开发。

1月12日晚，DeepSeek发布新论文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》，作者包括北京大学与DeepSeek团队，署名中出现梁文锋。论文提出条件记忆（conditional memory）概念，通过引入可扩展查找记忆结构，在相同参数和算力下显著提升大型语言模型在知识调用、推理、代码及数学任务中的表现。同时，DeepSeek开源了相关记忆模块Engram，为研究社区提供重要资源。这一成果为AI模型稀疏性研究开辟了新方向，具有重要意义。

DeepSeek团队在节前发布新论文，提出为Transformer加入“条件记忆”模块Engram，补足知识查找机制。该研究由梁文锋与北京大学团队合作完成，认为条件记忆是下一代稀疏模型的关键。Engram通过哈希查找和上下文感知门控机制优化静态知识检索，减少计算浪费，并解决传统N-gram模型的存储爆炸和多义性问题。实验表明，在27B参数规模下，Engram模型在知识密集型和推理任务中均显著优于纯MoE模型，部分任务提升超预期。此外，百亿参数表可卸载至CPU，推理延迟几乎无影响。DeepSeek计划春节前发布下一代稀疏模型，相关论文已开源。