DeepSeek-V3.2与GLM-5在记忆需求上表现不同——原因如下
huggingface研究显示智能体记忆需针对特定模型校准，deepseek-v3.2使用完整指南提升9.5%准确率，而较小模型在相同负载下性能反而下降。
Hugging Face 研究人员发布了一项研究，分析了“智能记忆”（Agentic Memory）——从过去智能体轨迹中提炼出的指导原则——如何影响八种不同的大型语言模型（LLMs）的性能。与“更多记忆总是更好”的假设相反，结果表明记忆需要校准：像 DeepSeek-v3.2 这样强大的模型在使用完整的指导原则集时，任务完成率提高了 +9.5pp；而像 117B GPT-OSS-120B 这样较弱的模型则更喜欢选择性检索方法，以避免上下文噪声。像 GLM-5 这样的饱和模型无论如何注入记忆，都没有显示出可衡量的收益，可能是由于性能上限或指导无关。因为这种方法改变了智能体的上下文，而不是模型权重，它提供了一种廉价且可移植的方法来改进智能体，只要开发者根据特定的模型架构调整记忆大小。