DeepSeek-V3.2與GLM-5在記憶需求上表現不同——原因如下
huggingface研究顯示智能體記憶需針對特定模型校準，deepseek-v3.2使用完整指南提升9.5%準確率，而較小模型在相同負載下性能反而下降。
Hugging Face 研究人員發布了一項研究，分析了「代理記憶」（agentic memory）—— 從過去代理軌跡中提煉的指南——如何影響八種不同的大型語言模型（LLMs）的性能。與假設更多的記憶總是有幫助的相反，結果表明記憶是一種需要校準的劑量：強大的模型如 DeepSeek-v3.2 在使用完整的指南集時，任務完成率提高了 9.5 個百分點，而較弱的模型如 117B GPT-OSS-120B，則更喜歡選擇性檢索方法，以避免上下文噪音。像 GLM-5 這樣的飽和模型，無論注入多少記憶，都沒有顯示出可衡量的增益，可能是由於性能上限或指導無關。由於這種方法改變了代理的上下文，而不是模型權重，因此它提供了一種廉價且可移植的方法來改進代理，只要開發人員根據特定的模型架構調整記憶大小。