红熊AI破解大模型“金鱼记忆”：分层记忆体系登顶全球评测，完成数亿元融资
2026/07/27 14:35阅读量 2
大模型的记忆缺陷导致交互断裂、Token浪费。红熊AI提出基于类人脑记忆的分层体系MemoryBear，在LoCoMo和LongMemEval两大长期记忆评测中登顶，将业务准确率从70%提升至98%以上。公司近日完成数亿元A+轮融资，估值达30亿元，并自研了全模态和编程记忆型大模型。
事件概述
大模型在对话或任务执行中频繁遗忘历史信息，被称为“金鱼记忆”困境。这源于上下文窗口限制、注意力衰减和相似信息混淆等技术局限，导致用户在复杂交互中需反复输入，Token消耗高、准确率低。
红熊AI的解决方案
红熊AI发现，问题核心在于记忆而非模型智能本身。团队基于“类人脑记忆”驱动推理，设计动态记忆锚点，将用户每次提问纳入上下文约束，使业务准确率从70%提升至98%以上。
其核心产品为MemoryBear记忆引擎，构建了分层记忆体系：
- 分层存储：模拟“瞬时记忆→工作记忆→长期/永久记忆”
- 两大仿生机制：自动遗忘机制清理错误/过时信息；3D反思机制实现选择性记忆
- 处理流程：萃取（筛选高价值信息）→ 关联（知识图谱搭建网状关系）→ 匹配（混合检索快速调用历史信息）
红熊AI在LoCoMo和LongMemEval两大全球长期记忆权威评测中分别以91.54%和95.0%的成绩登顶。
产品矩阵与融资
红熊AI已推出面向智能客服、智能营销、ChatBI、企业培训等场景的Agent应用。同时自研了：
- OpenBear：通用全模态大模型，定位AI超级员工入口
- CodeBear：记忆型编程大模型，解决工程化开发中任务中断与背景遗忘问题
公司于近日完成数亿元A+轮融资，投后估值30亿元人民币。同期海外记忆初创公司Engram凭借类似概念也获得近1亿美元融资，显示资本对AI记忆赛道的认可。
技术挑战与行业影响
记忆机制虽提升准确率，但推理时延从800毫秒增至约1.8秒。红熊AI表示客户可根据场景需求自主选择速度与准确率的平衡。
记忆能力正推动Agent从“用完即忘”的单点工具进化为持续理解业务、沉淀经验并交付结果的智能伙伴。在B端，客户更关注业务精准度、问题解决率等实际指标，而非模型参数规模。传统靠RAG或上下文窗口处理长内容的方式正面临记忆驱动的Agent冲击。