论文MemoryTax：强模型下Agent记忆系统必要性存疑

Zedong Peng 发布论文 MemoryTax（arXiv:2610.29823），检验专门设计的记忆系统在足够强的模型下是否仍有必要。论文的核心问题是：一旦模型强到能自己检索，设计的记忆是否还有帮助。 作者在一段 LoCoMo 对话（419 轮、152 个问题）上比较四种记忆方法（full context、BM25、Mem0、Zep）和三个 coding agent（Pi、Codex、Claude Code），分别搭配 GPT-4o-mini、GPT-6 Luna 和 Claude Opus 5.5，并记录每次 rollout 的成本。论文指出领先优势部分来自只有 agent 能读到的照片说明：在证据不含照片的 88 个问题上，Pi 与 full context 只差一个答案。 这是一项短篇实证研究，仅使用一段对话，每个组合只跑一次。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。