记忆原文永不改写,超图只当索引:MIRIX-2.0 五个 QA 基准赢四个

MIRIX-2.0: Multi-Agent Memory System

Wei-Chieh Huang, Weizhi Zhang, Jiayan Nan, Peng Xia, Yu Wang

cs.CL

2026-11-09

六个类型化记忆代理加溯源超图索引,LoCoMo 达 91.4%,LongMemEval-S 领先最强基线 14.3 分。

这篇在解决什么

跨会话工作的 LLM agent 对记忆有三个要求:准确,一个名字、一个日期、一次计数、两件相近事件的区分都不能丢;实用,不训练、兼容现成模型、答案可溯源、整理记忆不能毁掉已存内容;高效,延迟和 token 成本不随历史无限涨。现有流派各放弃至少一项。把记录压缩成抽取事实的系统省空间,可丢掉的细节永久消失,整合还可能把记忆整出错误;全量保留直接检索不丢东西,但要搜一个越来越大的库;参数化记忆要训练,闭源模型直接出局。图记忆用三元组把一条多元事实拆成碎片;文件式记忆(论文点名 Claude Code 的 auto memory)靠摘要路由,摘要没提的细节只剩字符串搜索一条路。用户侧记忆和 agent 侧记忆的难点还相反:前者要记得广、连得起,后者要精炼,检索太多反而分散注意力。MIRIX-2.0 要用一个存储同时服务两边。

方法

核心是把存储和索引拆成两层,各扛一个要求。

结果

设置指标结果对照
LoCoMo(1540 题)准确率91.4%HyperMem 91.0%(自跑,其自报 92.7)
LongMemEval-S准确率72.6%最强基线 58.3,领先 14.3 分
SHDocQA(关 AutoDream)准确率83.0%HyperMem 52.0,高 31.0 分
MHDocQA(关 AutoDream)准确率71.0%HyperMem 49.0,高 22.0 分
DetectiveQA准确率64.8%低于 MemoryBank 67.6%
ALFWorld(GPT-6 Luna)成功率76.4%AWM 73.6%,无记忆 69.4%
WebShop成功率37.4%AWM 36.0%,无记忆 31.9%
MetaClaw-Bench(GPT-5.2)官方均分49.2%MetaClaw 技能库 44.0%

消融链条干净:LoCoMo 上平面记忆 85.7%,加超图到 88.4%,加 AutoDream 到 91.4%;LongMemEval-S 三档是 58.8%、70.0%、72.6%,图索引单独值 11.2 分,平面向量检索越吃力的场景,组织证据的收益越大。效率上,关掉 AutoDream 后五个计时基准全部快于 HyperMem,SHDocQA 单题 5.45 秒对 10.55 秒;WebShop 的训练和测试 token 都是对比记忆方法里最少的。账单压在写入端:文档摄取比平面记忆慢 3.8 到 4.0 倍;ALFWorld 测试 token 3.813M 反而是记忆方法里最高,检索到的过程省了交互步数,却加厚了每步上下文。

为什么重要

这篇的价值在约束的取舍。记录永不改写、图只当索引、整合只动连接不动内容,把「整理记忆」从危险操作变成可审计的操作,答案能落到具体行,生产环境里这比刷榜值钱。检索证据集有界,延迟不随历史膨胀,卡在 agent 产品化最疼的位置。一套存储同时做用户个性化记忆和 agent 技能复用,论文称这是第一个,后续工作有了可直接对表的设定。不训练、闭源开源模型都能跑、代码公开,部署门槛低。DetectiveQA 输给 MemoryBank 也划出边界:把证据组织好,不等于会推理。

局限与存疑

作者列得相当直:消融按组件组叠加,没有隔离 n 元 frame、引用行、occurrence identity、答案时验证各自的贡献,机制解释仍是解读;用户记忆结果是单次运行,部分靠 LLM judge 打分;agent 结果三次运行方差大,ALFWorld 标准差 6.2 和 14.0 分,对 AWM 的均值优势不稳;MetaClaw 的 GPT-5.2 基线取自原论文,不是受控重跑。另有几处要留神:完整系统没计时,延迟结论只覆盖图配置那一档;LoCoMo 上 0.4 分的优势来自自跑基线,单次运行撑不起这个结论;文档摄取慢约 4 倍,高频写入场景要先算这笔账。

术语

原文与代码

相关论文

全部论文解读