#记忆原生模型##RSI# AI圈，最近集体盯上了三个字母：RSI

MemTensor/MemT-1.0（官方仓库）

MemTensor/MemT-1.0

MemT-1.0 的官方仓库，项目自述为新一代记忆基础模型，把持久且可动态演化的记忆作为模型计算的内在部分。它整合动态局部记忆与可训练的超记忆（hyper memory），在推理时不访问原始上下文即可利用历史信息；持久状态大小恒定，据称在 128K 历史下比完整上下文 KV 缓存节省约 66 倍存储。仓库提供 HuggingFace 模型集合与技术报告链接，并附中文版说明。

具身智能体长程记忆：看见不等于记住，浙大提出具身记忆基准

新智元报道，浙江大学OmniAI团队提出具身记忆基准EmbodiedMemory-Bench（EMem-Bench），包含4类任务、2554条可执行交互样本，用于评测智能体能否从历史交互中建立记忆并用于后续任务；同时提出外部记忆系统Embodied-Memorizer（EMem）和用于学习管理与使用记忆的EMem-8B模型。文中称团队分析了Gemini-3-Flash与Qwen3-VL-32B在EmbodiedBench上的100条失败轨迹，四类记忆相关问题合计占91%，并称该基准在Hugging Face发布约三周下载量接近3万次。适合研究具身智能与智能体长程记忆的人阅读。

重磅！谷歌开源双层RSI框架Harness²，Gemini 3.5性能原地暴涨

新智元报道谷歌等机构开源 Harness² 框架，该框架不修改模型权重，而是递归优化智能体执行框架（harness）中的八类可编辑组件（系统提示词、护栏、记忆、工具指导、子智能体、技能、脚本、插件），分任务级递归和梳理式递归两个层面。文中介绍其设计动机、双层递归优化机制，并给出 GitHub、arXiv 论文和项目主页链接。适合关注智能体框架与自动化自我改进方向的研究者阅读。

以安全的服务器端记忆推进私有 AI 计算

Advancing Private AI Compute with secure, server-side memory

谷歌 Private AI Compute 团队发布技术说明，介绍如何在 Private AI Compute 架构中引入私有服务器端记忆，以实现跨设备的持久 AI 记忆，同时保持通常仅在设备端处理才有的隐私标准。文中描述了把协助所需信息封存在专用加密存储中、密钥另行保管的机制。

面向自我改进的框架工程（Harness Engineering for Self-Improvement）

Harness Engineering for Self-Improvement

Lilian Weng 的一篇博客文章，主题是递归自我改进（RSI）。文章从 I. J. Good（1965）提出的“超智能机器”与 Yudkowsky（2008）的 RSI 定义讲起，讨论现代 AI 中这一反馈回路的含义，包括模型改写自身权重，或改进训练流程与部署系统从而产生更强的后继模型，并提及前沿实验室研究加速的情况。