模型官方一手

Meta FAIR 推出 Self-Improving Memory,Continual Learning Bench 得分 56.0

Meta FAIR Self-Improving Memory Hits 56.0 on Continual Learning Bench

精选理由

Meta FAIR 让 Kimi-K2.6 自己写记忆提示词再蒸馏进权重,56.0 分比人手写的 44.6 高出 11.4 分。做 agent 记忆或持续学习的人可以看看这条自动化提示词优化的路子,思路比分数本身更值得借鉴。

Meta FAIR 发布 Self-Improving Memory 方法,让 Kimi-K2.6 模型自动编写自己的 LOAD 和 OFFLOAD 记忆提示词,再通过蒸馏把这些提示词固化进模型权重。在 Continual Learning Bench 上,优化后的提示词拿到 56.0 分,比最好的人工手写 harness 的 44.6 分高出 11.4 分。

图片来源 · marktechpost
正文

技术路线分两步:模型先针对记忆的加载与卸载两个环节生成并迭代优化提示词,找到比人工设计更有效的记忆管理策略;随后用蒸馏把提示词学到的行为写入权重,使模型在后续任务中无需重新调用提示词也能保留这些能力。

这套方法把提示词工程从人工环节变成模型自我改进的环节,对比的是手写 harness,改进幅度来自自动化搜索而非更大参数量。做持续学习、记忆机制或 agent harness 研究的开发者可以直接参考这条蒸馏路径。

原文 · marktechpost

Meta FAIR Self-Improving Memory Hits 56.0 on Continual Learning Bench

Meta FAIR’s Self-Improving Memory lets Kimi-K2.6 write its own LOAD and OFFLOAD memory prompts, then distills them into its weights. Optimized prompts score 56.0 versus 44.6 for the best hand-written harness on Continual Learning Bench. The post Meta FAIR Self-Improving Memory Hits 56.0 on Continual Learning Bench appeared first on MarkTechPost .

产业坐标与信源核验

本条情报归属 AITOP「模型」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:Meta FAIR、Kimi-K2.6、持续学习、提示词工程,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明:本文原始信息发布自一手权威信源「marktechpost」(Tier-1 一手发布),具备高确定性参考价值。