大模型参数竞赛愈演愈烈，上海交大与阿里通义提出的ReMe框架另辟蹊径，通过重构记忆生命周期，让8B小模型在多项指标上超越无记忆的14B大模型，为计算高效的终身学习提供了新路径。
智能速览
ReMe框架通过多维度蒸馏、重用和精炼重构记忆
配备ReMe的8B模型性能超越无记忆的14B模型
实验显示ReMe在BFCL-V3与AppWorld上刷新SOTA
动态精炼机制显著提升了模型输出的鲁棒性
有效记忆机制能缩小不同模型规模间的性能差距
精华内容
面对静态存储与动态认知的鸿沟，ReMe框架如何通过经验驱动的进化机制，让智能体具备持续优化的能力？
核心机制
ReMe框架包含经验获取、重用和精炼三个阶段。在获取阶段，系统分析成功与失败轨迹，提炼结构化经验并存入向量数据库。重用阶段通过检索、重排序和重写，将历史经验适配到当前任务。精炼阶段则动态优化经验池，剔除无效经验，确保记忆的高质量与相关性。
性能实测
实验表明，配备ReMe的Qwen3-8B模型在Avg@4和Pass@4指标上，分别超越无记忆的Qwen3-14B模型达8.83%与7.29%。此外，ReMe动态版本在所有模型规模和基准测试中均优于静态版本，显著降低了多次运行间的性能标准差，证明了其在提升鲁棒性方面的优势。
记忆扩展
研究揭示了“记忆扩展效应”，即高质量的自进化记忆可作为计算高效的路径，替代模型规模增长。Qwen3-14B配合ReMe的整体性能甚至超过了无记忆的Qwen3-32B。这表明通过优化记忆机制，小模型完全具备挑战甚至超越大模型的潜力，为AI发展提供了新思路。
ReMe框架的成功证明了在AI领域，“巧思”有时比“大力”更重要。记忆机制的优化不仅提升了模型性能，也为未来的终身学习研究指明了方向。小模型能否完全取代大模型？
