上海科学智能研究院开源 REMORY 记忆模块，它只有 1.9B 参数，不需要依赖传统的长上下文窗口、上下文压缩手段，就可以给小模型提供跨轮次长期记忆，支撑智能体连续独立工作 3 天，在科研类长周期任务上输出质量可以对标 GPT-6.1-Terra，这套方案解决了长期以来长任务智能体越往后越容易遗忘早期信息、长上下文成本暴涨、压缩信息丢失关键细节的痛点。过去想要 AI 智能体连续跑几天的科研任务，主流思路要么直接拉超大上下文窗口，算力开销极高；要么做摘要、上下文压缩，但是压缩过程里容易丢掉重要推理线索、实验细节，任务跑久了就跑偏，REMORY 走独立记忆模块路线，记忆和基础推理模型解耦，专门负责信息留存、记忆归纳、时序关联，不需要把全部历史内容塞进单次 prompt 里，小模型本身不用做大改动就能接入。
一、REMORY 核心基础信息清单
- 研发单位：上海科学智能研究院（上智院）
- 模块参数规模：1.9B
- 训练方式：自监督训练，两张 H800 即可完成训练
- 核心特点：绕过上下文压缩，记忆模块与基座模型分离
- 目标场景：多日周期的自动化科研智能体、递归自优化任务
- 评测表现：长周期连续任务产出效果对标 GPT-6.1-Terra
- 开源物料：论文、模型权重、HuggingFace 工程包同步放出
二、REMORY 的工作流程
- 基座小模型完成一轮推理、工具调用、实验输出之后，把关键信息交给 REMORY 记忆模块
- REMORY 负责对时序信息做归纳、关联、去冗余，构建可持续更新的记忆状态，而不是简单向量检索
- 下一轮模型启动时，REMORY 按需召回相关记忆片段，只推送当前步骤真正需要的信息
- 持续循环这个流程，跨小时、跨天数维持任务上下文连贯性，不会强制压缩全部历史文本
- 全程记忆独立存储维护，基座模型保持轻量，不用承载海量历史对话
三、REMORY 和传统长上下文方案对比
| 方案 | 实现思路 | 优势 | 短板 |
|---|---|---|---|
| REMORY 独立记忆模块 | 记忆解耦，按需召回，跳过全局上下文压缩 | 算力成本低、不丢失关键细节、适配轻量小模型，支持多天连续任务 | 需要额外维护记忆状态，记忆归纳逻辑复杂 |
| 长上下文大模型 | 扩大上下文窗口，历史全部塞进 prompt | 使用简单，兼容性好 | Token 开销巨大，成本高，超长窗口推理变慢 |
| 上下文摘要压缩 | 定期把历史压缩成简短摘要 | 降低 token 消耗 | 压缩容易丢失细节，长周期任务容易出现信息失真 |
四、这套方案的优势与局限
✅ 优势
- 记忆模块只有 1.9B，体量轻，硬件门槛低，两张 H800 就能完成训练
- 不用反复压缩上下文，规避摘要丢失关键推理信息的问题
- 和基座模型解耦，大部分开源小模型都可以接入改造
- 支持多日连续递归式任务，适合自动化科研、长期自主智能体场景
- 长任务最终产出质量接近 GPT-6.1-Terra 这类闭源强模型
❌ 局限
- 目前主打科研长周期任务，通用对话场景优化不足
- 记忆召回、归纳的精准度会随任务复杂度上升而下降
- 属于记忆增强方案，本身不提升基座模型本身的单步推理能力
- 长时间运行下，记忆冗余、记忆冲突问题还需要持续调优
五、适合落地的场景
自动化科研智能体、多步骤持续实验迭代、需要多天连续递归自改进的任务、长期工程仿真迭代等，适合 AI4S 科学智能方向的开发者使用。
整体来看，REMORY 最大创新就是跳出 “加长上下文 + 压缩摘要” 的老路，用一个轻量化独立记忆模块接管长期信息管理，让低成本小模型也具备多天连续自主执行复杂任务的能力。
【相关 FAQ】
问题 1：上智院开源的 REMORY 1.9B 记忆模块，为什么不需要上下文压缩？
回答 1：上智院开源 REMORY 1.9B 记忆模块把记忆能力和推理基座解耦，专门做信息归纳、按需召回，不用把全部历史内容压缩塞进 prompt，直接避开上下文压缩带来的信息损耗。
问题 2：REMORY 1.9B 记忆模块如何实现让小模型独立连续工作 3 天？
回答 2：REMORY 1.9B 记忆模块持续维护时序任务记忆，每一轮只向小模型交付当前步骤需要的记忆内容，跨时间维持任务线索，从而支撑小模型连续独立工作 3 天，完成长周期递归任务。
问题 3：REMORY 1.9B 记忆模块产出不输 GPT-6.1-Terra，主要是在哪类任务上得到验证？
回答 3：REMORY 1.9B 记忆模块在自动化科研类长周期递归任务中完成验证，在这类任务上最终产出质量可以对标 GPT-6.1-Terra。
问题 4：接入 REMORY 1.9B 记忆模块，是不是必须更换大基座模型？
回答 4：不需要，REMORY 1.9B 是独立记忆模块，和基座推理模型解耦，现有小模型不用大幅改动，就可以接入 REMORY 获得长期记忆能力。
【参考资料】
[2026-11-11]（越过上下文压缩，上智院开源 REMORY，一个 1.9B 的记忆模块就能让小模型独立工作 3 天，产出不输 GPT-6.1-Terra）机器之心
[2026-11-11]（Shanghai Academy of Science and Intelligence Open-Sources REMORY, a 1.9B Memory Module）C114Pro
[2026-11-11]（REMORY 论文上线 arXiv：面向长期科研智能体的独立记忆架构）arXiv
[2026-11-11]（1.9B 轻量化记忆模块 REMORY 开源，AI 智能体长任务新路线）集微网
【免责声明】
本文仅为 REMORY 开源项目资讯整理，REMORY 1.9B 记忆模块的实际长任务表现、适配模型范围、部署稳定性以 arXiv 论文、HuggingFace 官方工程文档为准；对标 GPT-6.1-Terra 的结论来自项目评测，不同任务类型下效果存在差异，不代表所有场景能力持平。
本文来自作者[锐波转接官]投稿，不代表乌兰科技网立场，如若转载，请注明出处：https://www.wlcbnews.com/jqr/202611/1494.html
评论列表（4条）
我是乌兰科技网的签约作者“锐波转接官”！
希望本篇文章《上智院开源 REMORY 1.9B 记忆模块，脱离上下文压缩支撑小模型连续独立运行 3 天》能对你有所帮助！
本站[乌兰科技网]内容主要涵盖：互联网行业的追踪与探索
本文概览：上海科学智能研究院开源 REMORY 记忆模块，它只有 1.9B 参数，不需要依赖传统的长上下文窗口、上下文压缩手段，就可以给小模型提供跨轮次长期记忆，支撑智能体连续独立工作 3 天，在科研类长周期任务上输出质量可以对标 GPT-6.1-Terra，这套方案解决了长期以来长任务智能体越往后越容易遗忘早期信息、长上下文成本暴涨、压缩信息丢失关键细节的痛点。过去想要 AI 智能体连续跑几天的科研任务，主流思路要么直接拉超大上下文窗口，算力开销极高；要么做摘要、上下文压缩，但是压缩过程里容易丢掉重要推理线索、实验细节，任务跑久了就跑偏，REMORY 走独立记忆模块路线，记忆和基础推理模型解耦，专门负责信息留存、记忆归纳、时序关联，不需要把全部历史内容塞进单次 prompt 里，小模型本身不用做大改动就能接入。