Agent超强记忆评测新标杆：AML榜单如何重塑行业标准

近年来，随着大语言模型技术的快速发展，AI Agent的记忆能力成为行业关注的焦点。然而，长期以来，业界对于Agent记忆系统的评测缺乏统一标准——不同研究团队自选模型、自选数据集、自选评判标准，导致评测结果往往难以横向比较。一些产品虽然宣称“突破基线、刷新SOTA”，但仔细深究便会发现，其优异表现可能源于下游推理能力的增强，而非记忆系统本身的进步。这种评测乱象不仅困扰着技术社区，也让资本方在尽调和投资决策时缺乏可信的参考依据。

AML的评测创新：构建公正透明的评价体系

为解决这一困境，一个由全球近30所高校及机构联合发起的首个Agent记忆系统统一评测榜单——Agent Memory Leaderboard（AML）应运而生。该榜单于2026年8月12日正式发布首期评测结果，涵盖开源榜与工业榜两大类别。据统计，榜单页面上线不到两周便吸引了超过20万次访问，全球136个团队提交注册，最终67个代表性记忆框架完成完整盲测与复核，并在Hugging Face Trends总榜上冲入前十，引发了国内外AI社区的广泛讨论。

从总分到能力图谱：更精细化的评估维度

AML的核心创新在于其严格的评测机制设计。与传统评测不同，AML强制统一Answer（答案生成）与Eval（评估）模型，将参评系统的权限严格锁定在Add（写入）与Search（检索）两个维度。这意味着所有参评系统在获取信息后，必须使用同一套模型和评分标准完成评估，从而在明确的边界内实现真正的可比性与公信力。此外，AML的成绩与Git Commit和镜像版本绑定，确保结果公开透明、可追溯。这一机制有效防止了参评方通过使用更强大的推理模型或更精巧的Prompt模板来“作弊”，真正检验的是记忆系统本身的能力。

首期榜单：MemoraX断层领跑，行业格局初现

传统榜单的另一大痛点在于往往用单一总分定输赢。然而在实际应用中，不同的记忆系统各有所长，单一分数往往掩盖了真实的能力差异。AML创新性地推出文本7维能力图谱与代码2维赛道，让各记忆系统的优势与短板一目了然。这种设计回答的不仅是“谁更强”的问题，更是“不同系统在哪些任务上更具竞争力，而这个结论凭什么成立”的深层问题。

技术解析：MemoraX的制胜之道

在工业榜中，MemoraX以58.02分的综合得分强势登顶，更令人瞩目的是，它包揽了全部7个考试科目的第一名，展现出全面领先的技术实力。紧随其后的是MemOS，稳居第二。值得注意的是，Tencent DB Memory、Mem0、Supermemory等热度较高的框架也均有上榜，但各在不同子类上展现特色。开源榜方面，竞争更为胶着——InvMem以45.06分拔得头筹，Refind和ActiveMemoryIndex紧随其后，三者分别代表了混合检索、迭代式搜索和双重记忆表示三种不同技术路线的竞争优势。

如有侵权，请联系删除。