最新

记忆增强型大型语言模型（LLM）对于开发有能力、长期的AI智能体至关重要。最近，应用强化学习（RL）来优化记忆操作，如提取、更新和检索，已成为一个极具前景的研究方向。然而，现有的实现仍然高度分散且针对特定任务，缺乏统一的基础设施来简化这些复杂流程的集成、训练和评估。为了解决这一差距，我们推出了MemFactory，这是首个专为记忆增强型智能体设计的统一、高度模块化的训练和推理框架。受LLaMA-Factory等统一微调框架的成功启发，MemFactory将记忆生命周期抽象成原子化的、即插即用的组件，使研究人员能够通过“乐高式”架构无缝构建自定义记忆智能体。此外，该框架原生集成了分组相对策略优化（GRPO），以微调由多维度环境奖励驱动的内部记忆管理策略。MemFactory开箱即用地支持最新的前沿范式，包括Memory-R1、RMM和MemAgent。我们使用其公开可用的训练和评估数据，在开源MemAgent架构上对MemFactory进行了实证验证。在评估集上，MemFactory平均提高了性能，相对于相应的基线模型，相对增益高达14.8%。通过提供标准化、可扩展且易于使用的基础设施，MemFactory显著降低了进入门槛，为未来记忆驱动型AI智能体的创新铺平了道路。