Memora:平衡抽象与特异性,提升人工智能代理长期任务生产力,减少令牌消耗

QV_1791504590577.mp4 立即下载

Memora:平衡抽象与特异性,为人工智能代理记忆系统带来新突破

[跳过至主要内容]() [微软

[研究](/en-us/research/) [出版物](/en-us/research/publications/) [代码与数据](/en-us/research/tools/) [人员](/en-us/research/people/) [微软研究院博客](/en-us/research/blog/) [人工智能](/en-us/research/focus-area/ai-and-microsoft-research/) [音频与声学](/en-us/research/research-area/audio-acoustics/) [计算机视觉](/en-us/research/research-area/computer-vision/) [图形与多媒体](/en-us/research/research-area/graphics-and-multimedia/) [人机交互](/en-us/research/research-area/human-computer-interaction/) [人类语言技术](/en-us/research/research-area/human-language-technologies/) [搜索与信息检索](/en-us/research/research-area/search-information-retrieval/) [数据平台与分析](/en-us/research/research-area/data-platform-analytics/) [硬件与设备](/en-us/research/research-area/hardware-devices/) [编程语言与软件工程](/en-us/research/research-area/programming-languages-software-engineering/) [量子计算](/en-us/research/research-area/quantum/) [安全、隐私与密码学](/en-us/research/research-area/security-privacy-cryptography/) [系统与网络](/en-us/research/research-area/systems-and-networking/) [算法](/en-us/research/research-area/algorithms/) [数学](/en-us/research/research-area/computational-sciences-mathematics/) [生态与环境](/en-us/research/research-area/ecology-environment/) [经济学](/en-us/research/research-area/economics/) [医学、健康与基因组学](/en-us/research/research-area/medical-health-genomics/) [社会科学](/en-us/research/research-area/social-sciences/) [新兴市场技术](/en-us/research/research-area/technology-for-emerging-markets/) [学术项目](/en-us/research/academic-programs/) [活动与学术会议](/en-us/research/events-conferences/) [微软研究院论坛](https://researchforum.microsoft.com) [科技背后播客](https://www.microsoft.com/en-us/behind-the-tech ) [微软研究院博客](/en-us/research/blog) [微软研究院论坛](https://researchforum.microsoft.com) [微软研究院播客](/en-us/research/podcast/) [关于微软研究院](/en-us/research/about-microsoft-research/) [职业与实习机会](/en-us/research/careers/) [人员](/en-us/research/people/) [荣誉退休计划](/en-us/research/microsoft-research-emeritus-program/) [新闻与奖项](/en-us/research/news-and-awards/) [微软研究院时事通讯](https://info.microsoft.com/ww-landing-microsoft-research-newsletter.html?wt.mc_id=S-webpage_msr-homepage) [非洲](/en-us/research/lab/microsoft-research-lab-africa-nairobi/) [科学人工智能](/en-us/research/lab/microsoft-research-ai-for-science/) [人工智能前沿](/en-us/research/lab/ai-frontiers/) [亚太地区](/en-us/research/lab/microsoft-research-asia/) [剑桥](/en-us/research/lab/microsoft-research-cambridge/) [健康未来](/en-us/research/lab/microsoft-health-futures/) [印度](/en-us/research/lab/microsoft-research-india/) [蒙特利尔](/en-us/research/lab/microsoft-research-montreal/) [新英格兰](/en-us/research/lab/microsoft-research-new-england/) [纽约市](/en-us/research/lab/microsoft-research-new-york/) [雷德蒙德](/en-us/research/lab/microsoft-research-redmond/) [应用科学](/en-us/research/lab/applied-sciences-group/) [混合现实与人工智能 - 剑桥](/en-us/research/lab/mixed-reality-ai-lab-cambridge/) [混合现实与人工智能 - 苏黎世](/en-us/research/lab/mixed-reality-ai-zurich/) [注册: 研究论坛 ](https://researchforum.microsoft.com) [微软安全](https://www.microsoft.com/en-us/security) [Azure](https://azure.microsoft.com/en-us/) [Dynamics 365](https://dynamics.microsoft.com/en-us/) [Microsoft 365](https://www.microsoft.com/en-us/microsoft-365/business/) [Microsoft Teams](https://www.microsoft.com/en-us/microsoft-teams/group-chat-software) [Windows 365](https://www.microsoft.com/en-us/windows-365) [微软人工智能](https://www.microsoft.com/en-us/ai?icid=DSM_AllCommercial_AI) [Azure 太空](https://azure.microsoft.com/en-us/solutions/space/) [混合现实](https://www.microsoft.com/en-us/mixed-reality/windows-mixed-reality) [Microsoft HoloLens](https://www.microsoft.com/en-us/hololens) [Microsoft Viva](https://www.microsoft.com/en-us/microsoft-viva) [量子计算](https://azure.microsoft.com/en-us/solutions/quantum-computing/) [可持续发展](https://www.microsoft.com/en-us/corporate-responsibility/sustainability?icid=DSM_AllCommercial_Sustainability) [教育](https://www.microsoft.com/en-us/education) [汽车行业](https://www.microsoft.com/en-us/industry/automotive) [金融服务](https://www.microsoft.com/en-us/industry/financial-services/banking) [政府部门](https://www.microsoft.com/en-us/industry/government) [医疗保健](https://www.microsoft.com/en-us/industry/health/microsoft-cloud-for-healthcare) [制造业](https://www.microsoft.com/en-us/industry/manufacturing/microsoft-cloud-for-manufacturing) [零售](https://www.microsoft.com/en-us/industry/consumer-goods) [寻找合作伙伴](https://partner.microsoft.com/en-US/) [成为合作伙伴](https://partner.microsoft.com/en-US/membership/cloud-solution-provider) [合作伙伴网络](https://partner.microsoft.com/en-us/membership) [微软应用商店](https://marketplace.microsoft.com?icid=DSM_AllCommercial_Marketplace&ocid=cmm3c8ee9bs) [软件公司](https://www.microsoft.com/software-development-companies?icid=DSM_AllCommercial_SoftwareCompanies&ocid=cmm3c8ee9bs) [博客](https://blogs.microsoft.com/) [微软广告](https://about.ads.microsoft.com/en-us?s_cid=dig-src_uhfcomm) [开发者中心](https://developer.microsoft.com/en-us/) [文档](https://learn.microsoft.com/docs/) [活动](https://www.microsoft.com/en-us/events) [许可](https://www.microsoft.com/en-us/licensing/) [微软学习](https://learn.microsoft.com/) [微软研究院](https://www.microsoft.com/en-us/research/) [查看网站地图](https://www.microsoft.com/en-us/sitemap)

[返回博客主页 ](https://www.microsoft.com/en-us/research/blog/)

微软研究院博客

发布于 2026 年 6 月 29 日

作者:[张旭超 ](https://www.microsoft.com/en-us/research/people/xuchaozhang/),首席研究经理;[夏茉莉 ](https://www.microsoft.com/en-us/research/people/mollyxia/),高级研究员;[马尤克·达斯 ](https://www.microsoft.com/en-us/research/people/mayukhdas/),高级研究员;[安森·巴斯托斯 ](https://www.microsoft.com/en-us/research/people/ansonbastos/),高级研究员;[王汝佳 ](https://www.microsoft.com/en-us/research/people/rujiawang/),首席研究产品经理;[切坦·班萨尔 ](https://www.microsoft.com/en-us/research/people/chetanb/),高级首席研究经理;[萨拉万·拉杰莫汉 ](https://www.microsoft.com/en-us/research/people/saravar/),人工智能与应用研究副总裁兼杰出工程师

分享此页面

  • [在 Facebook 上分享 ](https://www.facebook.com/sharer/sharer.php?u=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F "在 Facebook 上分享")
  • [在 X 上分享 ](https://x.com/intent/tweet?text=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&url=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F "在 X 上分享")
  • [在 LinkedIn 上分享 ](https://www.linkedin.com/shareArticle?mini=true&url=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F&title=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&summary=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&source=Microsoft%20Research "在 LinkedIn 上分享")
  • [在 Reddit 上分享 ](http://www.reddit.com/submit?title=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&url=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F "在 Reddit 上分享")
  • [订阅我们的 RSS 订阅源 ](https://www.microsoft.com/en-us/research/feed/ "订阅我们的 RSS 订阅源")

紫色到粉色渐变背景上的三个简约白色图标。从左到右分别是:沙漏、圆形仪表盘和带斜线的尖括号。

概览

如今的人工智能代理存在记忆短板,无法记住过去交互内容,只能反复获取或从外部源检索信息。随着任务变长变复杂,这种方式效率愈发低下。为提升代理能力,急需更高效的信息长期保留和访问方法。

**Memora** 作为可扩展记忆系统,通过解耦存储内容与检索方式,平衡抽象性和特异性,显著提升代理在长期任务中的生产力。它在 LoCoMo 和 LongMemEval 上创造新技术水平,使用上下文令牌最多减少 98% 的情况下,性能超越 Mem0、RAG 和全上下文推理。

[Memora 论文(在新标签页打开)](https://arxiv.org/abs/2602.03315) 已在 2026 年的 ICML 会议上发表。Memora 代码可在 [(在新标签页打开)](https://github.com/microsoft/Memora) 查看。

想象一个职场人工智能助手参与数月项目,在数周对话中,你分享项目限制条件、确定里程碑、修改截止日期、了解利益相关者偏好。之后让它起草项目更新,它应记住决策过程。但如今人工智能代理表现不佳,现代大语言模型虽推理能力强,却无状态,会话从头开始,长对话迫使重读历史记录,新信息存储方式要么碎片化嘈杂,要么模糊丢失细节。随着人工智能用于长期任务,缺乏原则性记忆系统成关键瓶颈。

越来越多研究填补这一空白,如 Mem0 提取原子事实,检索增强(RAG)方法索引文本片段,基于图的记忆系统(如 Zep 和 GraphRAG)构建实体关系结构。但这些设计都要在特异性和抽象性之间权衡,而 Memora 旨在让代理兼具两者能力。

什么是 Memora

[**Memora**](https://www.microsoft.com/en-us/research/publication/memora-a-harmonic-memory-representation-balancing-abstraction-and-specificity/) 是为长期人工智能代理设计的智能记忆框架。其核心是将存储内容与检索方式解耦,记忆内容可丰富有表现力,独立轻量级“结构”层负责索引和检索。这种设计使记忆系统可扩展,整合相关信息为稳定单元,呈现细粒度细节,让代理无需重读所有内容浏览历史记录。在标准长对话基准测试中,Memora 创造性能记录,与完整历史记录放入上下文相比,最多减少 98% 的令牌使用量。

为何这很困难:抽象性与特异性的矛盾

现有记忆系统走向极端。**内容碎片化系统**(如 RAG 和 Mem0)直接嵌入提取的事实或文本片段,保留细节但条目脆弱孤立,失去叙事连贯性。**粗粒度抽象系统**将经验压缩为紧凑摘要,效率高但摘要过程去除有用的限制条件、边缘情况和数值细节。基于图的系统虽添加结构,但仍依赖内容检索,且需严格本体论,通用性差。这些方法无法解决 **抽象性**(保持记忆高效)和 **特异性**(使记忆实用)的根本矛盾。

Memora 架构概述,展示了多模态数据如何被分割、转换为结构化记忆条目和隐式记忆图,然后通过一个由策略驱动的过程进行检索,该过程通过组相对学习进行优化,以返回相关的情景记忆。图 1:Memora 架构概述。

Memora 的工作原理

Memora 以和谐组织方式解决矛盾。每个记忆条目有两部分:一个 **主要抽象**,即 6 - 8 个单词的简短短语,概括记忆核心内容;一个 **记忆值**,保存丰富内容。关键是只有主要抽象部分用于相似度搜索,记忆值不通过自身内容直接检索。这意味着新信息会合并到同一主要抽象下的现有记忆条目,而非碎片化形成重复条目。除主要抽象,提示锚点是从每个记忆值中提取的简短、上下文感知标签,为记忆提供替代访问路径,类似灵活自然生成的元数据。

举个例子,用户说“戴夫和莎拉同意将原型推迟到 4 月 1 日,试点推迟到 5 月 2 日,最小可行产品(MVP)推迟到 5 月 30 日。”知识图谱系统需预定义实体类型和关系模式,新关系类型还需扩展模式。而在 Memora 中,主要抽象“戴夫和莎拉同意更新猎户座项目时间表”是标准访问点,“戴夫更新猎户座项目”“猎户座项目原型时间表”和“猎户座项目试点时间表”等提示锚点提供替代检索路径,且无需依赖本体论。之后关于戴夫贡献、原型或试点时间的查询,可通过不同提示锚点指向同一底层记忆,完整细节保留在记忆值中。

在此基础上,Memora 引入 **策略引导的检索器**,将记忆访问视为主动推理过程。策略检索器不一次性返回前 k 个语义相似项目,而是迭代优化查询,通过提示锚点扩展找到相关但不相似的记忆,决定何时停止检索。这使代理能访问纯语义搜索遗漏的相关非局部上下文,如同人类回忆事件追踪多跳依赖关系。检索策略可通过大语言模型手动提示,也可通过强化学习提炼成小模型。

聚焦:微软研究院时事通讯

[](https://info.microsoft.com/ww-landing-microsoft-research-newsletter.html)

微软研究院时事通讯

与微软的研究社区保持联系。

[立即订阅 ](https://info.microsoft.com/ww-landing-microsoft-research-newsletter.html)

在新标签页打开

研究结果

柱状图,比较了使用大语言模型评判、F1 和 BLEU 指标的各记忆系统在 LoCoMo 上的总体得分。Memora (P) 的大语言模型评判得分最高(0.863),其次是 Memora (S)(0.849)和全上下文(0.825)。Memora 变体在所有三个指标上都优于其他基于记忆的方法。图 2:Memora 在 LoCoMo 数据集上的性能表现。

在 LoCoMo(对话平均 600 轮)和 LongMemEval(上下文 115,000 个令牌)两个长上下文基准测试中,Memora 创造新技术水平。在 LoCoMo 上大语言模型评判准确率达 86.3%,在 LongMemEval 上达 87.4%,超越 RAG、Mem0、Nemori、Zep、LangMem 和全上下文推理。多跳推理方面,差距明显,Memora 通过提示锚点遍历的能力发挥重要作用。效率上也很出色,与 Mem0 相比,每次对话存储记忆条目约减少一半(344 个 vs. 651 个),与全上下文推理相比,令牌消耗最多减少 98%。读取和存储内容少,却能得到更好答案。

未来展望

Memora 的设计意义不止于基准测试性能。这项工作迈向能与用户长期协作、积累组织知识的人工智能代理,而非仅在单个会话内发挥作用。基于此,正在探索几个互补研究方向。MemLoop 研究记忆系统从检索和任务失败中学习,将错误归因于记忆流程特定阶段并自我改进。延迟记忆(Deferred Memory)研究何时推迟记忆构建,等有足够上下文、证据或未来效用,而非过早确定存储内容。群体记忆(Group Memory)研究团队和代理间共享知识,同时保留来源、访问边界、所有权和敏感上下文。随论文发布代码,邀请社区开发,探索人工智能代理不再无状态时的新功能。

致谢

感谢尚塔努·迪克西特(研究助理)、帕拉马古鲁·哈里穆鲁根(研究助理)、[王汝佳](https://www.microsoft.com/en-us/research/people/rujiawang/)、[维克多·吕勒](https://www.microsoft.com/en-us/research/people/virueh/) 和 [罗伯特·西姆](https://www.microsoft.com/en-us/research/people/rsim/) 对该项目的贡献。

在新标签页打开

相关出版物

[Memora:一种平衡抽象性与特异性的和谐记忆表示法 ](https://www.microsoft.com/en-us/research/publication/memora-a-harmonic-memory-representation-balancing-abstraction-and-specificity/)

认识作者

张旭超的肖像

张旭超

首席研究经理

[了解更多](https://www.microsoft.com/en-us/research/people/xuchaozhang/)

夏茉莉的肖像

夏茉莉

高级研究员

[了解更多](https://www.microsoft.com/en-us/research/people/mollyxia/)

马尤克·达斯的肖像

马尤克·达斯

高级研究员

[了解更多](https://www.microsoft.com/en-us/research/people/mayukhdas/)

安森·巴斯托斯的肖像

安森·巴斯托斯

高级研究员

[了解更多](https://www.microsoft.com/en-us/research/people/ansonbastos/)

王汝佳的肖像

王汝佳

首席研究产品经理

[了解更多](https://www.microsoft.com/en-us/research/people/rujiawang/)

切坦·班萨尔的肖像

切坦·班萨尔

高级首席研究经理

[了解更多](https://www.microsoft.com/en-us/research/people/chetanb/)

萨拉万·拉杰莫汉的肖像

萨拉万·拉杰莫汉

人工智能与应用研究副总裁兼杰出工程师

[了解更多](https://www.microsoft.com/en-us/research/people/saravar/)

研究领域

  • [ 人工智能 ](https://www.microsoft.com/en-us/research/research-area/artificial-intelligence/)

相关实验室

  • [微软研究院 - 剑桥 ](https://www.microsoft.com/en-us/research/lab/microsoft-research-cambridge/)
  • [微软研究院 - 印度 ](https://www.microsoft.com/en-us/research/lab/microsoft-research-india/)
  • [微软研究院 - 雷德蒙德 ](https://www.microsoft.com/en-us/research/lab/microsoft-research-redmond/)

关注我们:

  • [在 X 上关注 ](https://x.com/intent/follow?original_referrer=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F&screen_name=MSFTResearch)
  • [在 Facebook 上点赞 ](https://www.facebook.com/microsoftresearch/)
  • [在 LinkedIn 上关注 ](https://www.linkedin.com/showcase/microsoftresearch/)
  • [在 Youtube 上订阅 ](https://www.youtube.com/user/MicrosoftResearch)
  • [在 Instagram 上关注 ](https://www.instagram.com/msft_research/)
  • [订阅我们的 RSS 订阅源 ](https://www.microsoft.com/en-us/research/feed/)

分享此页面:

  • [在 X 上分享 ](https://x.com/intent/tweet?text=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&url=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F)
  • [在 Facebook 上分享 ](https://www.facebook.com/sharer/sharer.php?u=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F)
  • [在 LinkedIn 上分享 ](https://www.linkedin.com/shareArticle?mini=true&url=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F&title=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&summary=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&source=Microsoft%20Research)
  • [在 Reddit 上分享 ](http://www.reddit.com/submit?title=Memora%3A%C2%A0A%20Harmonic%20Memory%20Representation%20Balancing%20Abstraction%20and%20Specificity&url=https%3A%2F%2Fwww.microsoft.com%2Fen-us%2Fresearch%2Fblog%2Fmemora-a-harmonic-memory-representation-balancing-abstraction-and-specificity%2F)

[Surface Pro](https://www.microsoft.com/surface/devices/surface-pro) [Surface Laptop](https://www.microsoft.com/surface/devices/surface-laptop) [Surface Laptop Ultra](https://www.microsoft.com/en-us/surface/devices/surface-laptop-ultra?icid=DSM_Footer_WhatsNew_SurfaceLaptopUltra) [Surface RTX Spark Dev Box](https://www.microsoft.com/en-us/surface/devices/surface-rtx-spark-dev-box?icid=DSM_Footer_WhatsNew_SurfaceRTXSparkDevBox) [组织版 Copilot](https://www.microsoft.com/en-us/microsoft-copilot/organizations?icid=DSM_Footer_CopilotOrganizations) [个人版 Copilot](https://www.microsoft.com/en-us/microsoft-copilot/for-individuals?form=MY02PT&OCID=GE_web_Copilot_Free_868g3t5nj) [探索微软产品](https://www.microsoft.com/en-us/microsoft-products-and-apps) [Windows 11 应用](https://www.microsoft.com/en-us/windows/apps-for-windows?icid=DSM_Footer_WhatsNew_Windows11apps) [账户资料](https://account.microsoft.com/) [下载中心](https://www.microsoft.com/en-us/download) [微软商店支持](https://go.microsoft.com/fwlink/?linkid=2139749) [退货](https://www.microsoft.com/en-us/store/b/returns) [订单跟踪](https://www.microsoft.com/en-us/store/b/order-tracking) [认证翻新](https://www.microsoft.com/en-us/store/b/certified-refurbished-products) [微软商店承诺](https://www.microsoft.com/en-us/store/b/why-microsoft-store?icid=footer_why-msft-store_7102020) [灵活付款](https://www.microsoft.com/en-us/store/b/payment-financing-options?icid=footer_financing_vcc) [微软教育](https://www.microsoft.com/en-us/education) [教育设备](https://www.microsoft.com/en-us/education/devices/overview) [教育版 Microsoft Teams](https://www.microsoft.com/en-us/education/products/teams) [Microsoft 365 教育版](https://www.microsoft.com/en-us/education/products/microsoft-365) [学校购买指南](https://www.microsoft.com/education/how-to-buy) [教育工作者培训与发展](https://education.microsoft.com/) [学生和家长优惠](https://www.microsoft.com/en-us/store/b/education) [教育人工智能](https://www.microsoft.com/en-us/education/ai-in-education)

[微软人工智能](https://www.microsoft.com/en-us/ai?icid=DSM_Footer_AI) [微软安全](https://www.microsoft.com/en-us/security) [Dynamics 365](https://www.microsoft.com/en-us/dynamics-365) [Microsoft 365](https://www.microsoft.com/en-us/microsoft-365/business) [微软 Power Platform](https://www.microsoft.com/en-us/power-platform) [Microsoft Teams](https://www.microsoft.com/en-us/microsoft-teams/group-chat-software) [Microsoft 365 Copilot](https://www.microsoft.com/en-us/microsoft-365-copilot?icid=DSM_Footer_Microsoft365Copilot) [小企业服务](https://www.microsoft.com/en-us/store/b/business?icid=CNavBusinessStore) [Azure](https://azure.microsoft.com/en-us/) [微软开发者](https://developer.microsoft.com/en-us/) [微软学习](https://learn.microsoft.com/) [人工智能市场应用支持](https://www.microsoft.com/software-development-companies/offers-benefits/isv-success?icid=DSM_Footer_SupportAIMarketplace&ocid=cmm3atxvn98) [微软技术社区](https://techcommunity.microsoft.com/) [微软应用商店](https://marketplace.microsoft.com?icid=DSM_Footer_Marketplace&ocid=cmm3atxvn98) [软件公司](https://www.microsoft.com/software-development-companies?icid=DSM_Footer_SoftwareCompanies&ocid=cmm3atxvn98) [Visual Studio](https://visualstudio.microsoft.com/) [职业机会](https://careers.microsoft.com/) [关于微软](https://www.microsoft.com/about) [公司新闻](https://news.microsoft.com/source/?icid=DSM_Footer_Company_CompanyNews) [微软隐私政策](https://www.microsoft.com/en-us/privacy?icid=DSM_Footer_Company_Privacy) [投资者关系](https://www.microsoft.com/investor/default.aspx) [多元化与包容性](https://www.microsoft.com/en-us/diversity/default?icid=DSM_Footer_Company_Diversity) [无障碍访问](https://www.microsoft.com/en-us/accessibility) [可持续发展](https://www.microsoft.com/en-us/corporate-responsibility/sustainability?icid=DSM_Footer_Sustainability)

[你的隐私选择退出图标 你的隐私选择 ](https://aka.ms/yourcaliforniaprivacychoices) [你的隐私选择退出图标 你的隐私选择 ](https://aka.ms/yourcaliforniaprivacychoices)

[消费者健康隐私](https://go.microsoft.com/fwlink/?linkid=2259814) [网站地图](https://www.microsoft.com/en-us/sitemap1.aspx) [联系微软](https://support.microsoft.com/contactus) [隐私政策](https://go.microsoft.com/fwlink/?LinkId=521839) 管理 Cookie [使用条款](https://go.microsoft.com/fwlink/?LinkID=206977) [商标](https://go.microsoft.com/fwlink/?linkid=2196228) [安全与环保](https://go.microsoft.com/fwlink/?linkid=2196227) [回收利用](https://www.microsoft.com/en-us/legal/compliance/recycling) [关于我们的广告](https://choice.microsoft.com)

volatility 内存取证工具 volatility 内存取证工具,用于内存分析 立即下载

相关推荐

YOLO26算法皮革表面缺陷检测+训练好的模型+124张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[颜色(color), 切(cut), 折叠(fold), 胶水(glue), 好的(good), 戳(poke)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 68 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.7582** mAP50-95 | 0.4306 Precision | 0.6226 Recall | 0.6520 train/box_loss | 0.8731 train/cls_loss | 2.3543 val/box_loss | 1.3709 val/cls_loss | 3.9767 【训练过程分析】 从一开始的配置就定下了基调,训练配置包括了 yolo26n 模型、100 个 epoch,学习率初始设为 0.01,输入尺寸定为 640x640,批次大小为 24。这组配置在开始阶段表现得不错,模型刚开始训练时的 loss 降低得很快,这表明模型能够迅速从数据中吸收信息。但到了中后期,loss 曲线变得愈发平缓,从第 50 个 epoch 开始,即使我增加了学习率衰减的频率,仍然感到曲线在挣扎,像是陷入了平台期。这期间模型的收敛节奏明显减缓,似乎有些“停滞不前”的迹象。到了最后,模型确实收敛了,但在第 68 个 epoch 时 mAP50 获得了 0.7582 的值,这是一个不错的成绩,但与理想值相比仍有提升空间。... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。

微软Memora技术深度解析:破解AI智能体长期记忆难题的架构革新

本文将从记忆系统的技术挑战出发,深度解析Memora的架构设计、核心创新与性能表现,并结合行业专家的评价以及国内外相关研究的对比,探讨这一技术对企业AI应用的实际意义。

搞定过:百亿级数据、万级QPS、零宕机、AI工业化。 448

YOLO26算法花生异常状态识别+训练好的模型+113张数据集+pyqt可视化界面.zip

附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[异常的(abnormal)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 63 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9723** mAP50-95 | 0.8879 Precision | 0.9362 Recall | 0.9444 train/box_loss | 0.4558 train/cls_loss | 0.6201 val/box_loss | 0.4368 val/cls_loss | 0.6930 【训练过程分析】 自从开启了训练任务,每天盯着那根不断波动的 loss 曲线,感觉就像在过山车里兜兜转转。第一轮的训练,模型似乎对数据还不够熟悉,loss 还是较高,尤其是在前 10 轮,loss 下降的速度虽然很快,但并不均匀,有时甚至会有些许反复。到了 20 轮时,loss 曲线明显放缓,似乎进入了一个相对平稳的阶段,但这并没有带来 mAP50 的快速提升。从第 20 轮到第 40 轮,训练过程显得有些枯燥,loss 持续在某个数值附近徘徊,有时候还会在 0.45 到 0.48 之间跳动。到了 40 轮后,我明显感觉到训练进入了一个瓶颈期,loss 曲线开始呈现平台状态,即使再训练几轮,loss 下降的幅度也不大。直到 55 轮左右,loss 才开始缓慢下降,但整个训练过程都让人感觉像是在与时间赛跑,尤其是第 6... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。

从“机械臂阵列”到“会思考的白车身”:2026汽车焊装数字化生产线行业调研.pdf

从“机械臂阵列”到“会思考的白车身”:2026汽车焊装数字化生产线行业调研.pdf

视频编码压缩11111

视频编码压缩11111

阿里云 ACP 认证考试题库:866 题全量汇编(单选 400 / 多选 261 / 判断 205,附答案解析

这是一套阿里云 ACP 认证考试的完整题库,三个 Excel 文件共收录 **866 道题**,题型齐全:单选题 400 道、多选题 261 道、判断题 205 道。三种题型分别放在独立表格里,每张表结构统一清晰,依次是题号、题干、四个选项(多选题多一个 E 选项)、参考答案、答案解析,**每道题都有唯一编号**,可以按题号快速检索、定位和复盘,不必在长表格里翻找。打开即可使用:无需联网,无需登录,也无需额外安装软件。 题库容量充足,866 道题足以支撑多轮完整备考。三类题型交替练习,既能强化对基础概念的记忆,又能通过多选题训练对 “多个正确选项” 的判断能力,让复习节奏更完整。 **覆盖范围广,且贴近实际业务场景**。题目覆盖阿里云大数据及云产品的完整谱系:MaxCompute(原 ODPS)的计算与 SQL 是大头,共 352 道,从项目空间、分区表、Tunnel 数据通道、UDF 到 LabelSecurity 权限模型,一线操作细节基本都涉及;其余还有关系型数据库 RDS(126 道)、DataWorks 与调度运维(104 道)、分析型数据库 ADS(95 道)、表格存储 OTS(36 道)、数据安全与防护(38 道)。也就是说,一套题库就能覆盖数据存储、计算、调度、分析、安全五条线,适合作为**综合能力自测**使用。 **答案分布均衡,自测结果可信**。单选题正确选项为 A98 / B104 / C108 / D90,四个选项几乎均分,不会出现 “蒙同一个字母就能得分” 的情况;判断题正确与错误分别为 99 / 106,比例接近;多选题以三选组合为主,符合真实考试的难度梯度。用这套题做模拟自测,得到的正确率能比较真实地反映掌握程度。 **与官方课件互补性强**。题库里的题干保留了 “大数据计算服务(MaxCompute,原 ODPS)” 这类带沿革说明的

PSIM-串联谐振半桥LLC开关电源+PFM变频闭环控制【仿真+计算书+参考文献】

内容概要:本文档聚焦于Plecs仿真软件在全桥LLC谐振变换器建模与仿真中的深度应用,系统阐述了LLC谐振变换器的工作原理、关键参数设计方法及闭环控制策略。文档详细介绍了基于Plecs平台构建全桥LLC谐振变换器仿真模型的全过程,涵盖主电路拓扑结构、谐振腔参数(Lr, Lm, Cr)的计算与匹配、控制环路(包括PFM变频控制)设计以及软启动过程的仿真分析。通过丰富的仿真结果,验证了系统在不同负载与输入条件下的动态响应性能、效率表现及零电压开关(ZVS)实现情况。此外,文档还深入探讨了开环与闭环控制的性能差异、磁性元件的设计要点以及变频控制策略对系统稳定性和效率的影响,为电力电子变换器的研发、优化与教学提供了完整的理论依据与实践指导。; 适合人群:具备扎实电力电子技术基础的高等院校研究生、从事开关电源、高频DC-DC变换器设计的工程技术人员,以及致力于LLC谐振变换器性能优化与控制算法研究的科研人员。; 使用场景及目标:①作为高校电力电子与电力传动专业课程的仿真教学案例,用于LLC谐振变换器原理讲解与实验设计;②指导工程师在实际工程项目中完成LLC变换器的参数设计、控制环路调试与性能验证;③为科研工作者开展高频高效变换器的效率优化、新型控制策略(如数字控制、自适应控制)研究提供仿真验证平台。; 阅读建议:建议读者结合Plecs软件动手实践,严格按照文档步骤搭建仿真模型,特别关注谐振参数的精确计算与匹配过程,以及闭环控制环路的稳定性调试。应反复对比不同工况下的仿真波形与数据,深入理解LLC变换器的增益特性、软开关实现条件及控制环路的动态响应机制,以达到融会贯通的学习效果。

政府科技管理者需要哪些工具来精准识别区域高价值科技成果?.docx

政府科技管理者需要哪些工具来精准识别区域高价值科技成果?

状态估计【扩展卡尔曼滤波算法的神经网络训练】BP神经网络、扩展卡尔曼滤波EKF+BP、粒子滤波PF轨迹估计研究(Matlab代码实现)

内容概要:本文档聚焦于扩展卡尔曼滤波算法在神经网络训练中的应用,系统研究了BP神经网络、扩展卡尔曼滤波(EKF)、EKF与BP结合(EKF+BP)以及粒子滤波(PF)在非线性系统状态估计与轨迹预测中的建模与优化方法。文档深入阐述了各类滤波算法的基本原理,重点探讨了将EKF作为优化工具提升BP网络训练效率与收敛精度的技术路径,并对比分析了UKF、EKF、PF等在处理非高斯噪声和复杂动态环境下的性能差异。所有方法均配有基于Matlab的仿真实现代码,涵盖状态估计、权重更新机制、采样过程等关键环节,适用于高精度动态系统建模、传感器融合与轨迹跟踪等研究方向。 适合人群:具备一定Matlab编程能力,从事自动化、控制工程、机器人学、导航系统或信号处理等相关领域的研究生、科研人员及工程技术开发者,尤其适合致力于状态估计与智能算法融合研究的专业人士。 使用场景及目标:① 实现基于EKF优化的BP神经网络训练,提升模型学习速度与泛化能力;② 掌握EKF、UKF、PF等滤波器在非线性轨迹估计中的建模、仿真与性能评估技巧;③ 应用于无人机导航、移动机器人定位、自动驾驶等场景下的状态估计与多源信息融合系统开发。 阅读建议:建议结合Matlab代码逐模块调试与验证,重点关注EKF+BP中雅可比矩阵计算与协方差更新机制,以及PF的重采样策略,同时参考文档中提供的仿真案例与资源链接,深化对滤波算法与神经网络协同机制的理解。

多项目统计汇总模板甘特图

多项目统计汇总模板甘特图

两相交错并联Boost电路仿真模型(Simulink仿真实现)

内容概要:本文详细介绍了基于Simulink平台构建的两相交错并联Boost电路的仿真模型,系统阐述了该拓扑结构在提升系统效率、降低输出电流纹波以及改善动态响应特性方面的技术优势。文中涵盖了主电路架构设计、双闭环控制策略(电压环与电流环)的实现原理、关键参数(如电感、电容、开关频率)的选取依据,并通过仿真结果验证了控制方案的有效性与稳定性。该模型突出展示了多相交错技术在功率变换器中的应用价值,有助于深入理解现代电力电子系统的设计思路与优化方法,适用于新能源发电、储能系统及高效率DC-DC变换器的研发场景。; 适合人群:具备电力电子技术基础理论知识和Simulink仿真操作经验的电气工程、自动化、能源动力等相关专业的本科高年级学生、研究生,以及从事电源变换器设计与开发的工程技术人员。; 使用场景及目标:① 掌握两相交错并联Boost电路的工作机理及其在减小输入/输出电流纹波中的作用;② 学习并实践双闭环反馈控制策略的设计与调试方法;③ 利用仿真模型开展控制器参数优化,提升系统的稳态精度与抗扰动能力,为后续硬件原型开发提供理论支撑与设计参考。; 阅读建议:建议读者结合仿真模型逐步操作,重点关注交错控制时序、占空比分配、电感电流交错现象及环路补偿设计,对照理论分析进行波形观测与参数调整,深化对多相并联拓扑动态特性的理解,并将其迁移应用于实际工程问题中。

基于变频控制的多相交错LLC谐振变换器闭环仿真(Simulink仿真实现)

内容概要:本文档围绕“基于变频控制的多相交错LLC谐振变换器闭环仿真(Simulink仿真实现)”展开,系统阐述了多相交错LLC谐振变换器的工作原理、拓扑结构及变频控制策略,重点讲解了其在高效率、低输出纹波电源系统中的应用优势。文档详细介绍了利用Simulink构建开环与闭环仿真模型的方法,涵盖软启动机制、频率调节、反馈控制环路设计、系统稳定性分析及关键参数优化等内容,并提供了完整的仿真模型与设计资料。此外,文档还整合了丰富的电力电子与控制系统相关资源,包括双向CLLC、全桥/半桥LLC、PFC电路、DAB变换器、三电平变换器等多种典型拓扑的仿真案例,形成了覆盖新能源、电动汽车、智能电网等领域的综合性技术学习体系,有助于读者深入理解现代电力变换系统的建模与控制方法。; 适合人群:具备电力电子技术、自动控制理论及电气工程基础知识的高校本科生、研究生、科研人员以及从事电源设计、新能源系统开发的工程技术人员,特别适用于正在开展新能源汽车充电、V2G技术、高效DC-DC变换器等方向研究与产品开发的专业人士。; 使用场景及目标:① 深入理解多相交错LLC谐振变换器的运行机理与变频控制原理;② 掌握基于Simulink平台的电力电子系统建模、闭环控制器设计与动态性能仿真方法;③ 实现高效电源系统的稳定性分析与参数优化,提升工程设计能力;④ 借助配套仿真模型支持科研项目攻关、课程设计、毕业设计或工业级产品原型验证。; 阅读建议:建议结合文档中提供的完整Simulink仿真模型与参考资料,按照技术模块循序渐进地学习,重点关注控制环路设计、频率调制机制与系统动态响应之间的耦合关系,并通过实际仿真调试加深对理论知识的理解与工程应用能力,充分发挥该资源在科研与实践中的支撑作用。

三相维也纳Vienna整流器电流过零畸变消除仿真模型【三种消除方法】(Simulink仿真实现)

内容概要:本文档围绕“三相维也纳Vienna整流器电流过零畸变消除仿真模型”展开,详细提供了基于Simulink平台实现的三种电流过零畸变抑制方法的仿真模型,旨在解决Vienna整流器在实际应用中由于开关死区效应、器件非理想特性等因素导致的输入电流在过零点附近出现波形畸变的问题,从而提升功率因数和系统效率。文档配套包含9kW三相三开关Vienna PFC整流器的Mathcad计算书,支持用户根据不同功率等级和电压规格进行系统级参数设计与优化。此外,资源还整合了双闭环控制策略、中点电压平衡控制、空间矢量脉宽调制(SVPWM)等关键技术的仿真模型,形成了一套完整、可复用的Vienna整流器控制系统研究与开发体系,适用于高性能电力电子变换器的研发与教学实践。; 适合人群:具备电力电子、自动控制或电气工程等相关专业背景,熟悉Matlab/Simulink仿真环境,正在从事高功率因数整流器、PFC电路、新能源发电、电动汽车充电系统或工业电源研发的研究生、科研人员及工程技术人员。; 使用场景及目标:①深入理解Vienna整流器电流过零畸变的产生机理及其对系统性能的影响;②对比分析并验证三种畸变抑制方法在不同工况下的控制效果与适用范围;③开展高效率、高功率因数整流系统的建模、控制器设计与仿真验证工作;④支撑高水平学术论文撰写、科研项目申报或实际工程项目的技术预研与方案论证。; 阅读建议:建议首先利用Mathcad计算书完成主电路参数设计,随后在Simulink中搭建或修改相应的控制模型,通过设置不同负载与输入条件,对比分析各方案下输入电流THD、功率因数、中点电位波动等关键指标,深入掌握控制算法的动态响应特性和鲁棒性,同时可结合双闭环架构与中点平衡策略进一步优化系统整体性能。

车辆控制基于H∞控制器与鲁棒线性二次调节器RLQR的铰接式重型车辆的稳健路径跟踪控制研究(Matlab代码实现)

内容概要:本文介绍了基于Plecs平台构建的全桥LLC谐振变换器仿真模型,重点围绕隔离型全桥LLC谐振变换器的建模、参数设计与仿真分析展开,涵盖系统主电路结构、谐振腔参数计算、软开关实现原理及闭环控制策略等内容。通过该仿真模型,能够深入研究LLC变换器在不同负载与输入条件下的效率特性、电压增益特性和动态响应性能,尤其适用于高频高效电源系统的开发与优化,为理论分析与工程实践提供有力支撑。; 适合人群:电力电子、电气工程及相关专业的高校师生、研究人员以及从事开关电源、高频电源设计的工程技术人员。; 使用场景及目标:①用于高校教学中演示LLC谐振变换器的工作原理与设计流程,提升学生对谐振拓扑的理解;②支持科研工作中对LLC变换器拓扑结构的性能验证、控制策略优化与效率提升研究;③辅助企业在高频电源产品研发中进行关键技术攻关与参数优化。; 阅读建议:建议结合经典电力电子教材与LLC变换器专项设计指南进行学习,仿真过程中应重点关注谐振频率匹配、ZVS/ZCS软开关实现条件、环流损耗与磁性元件设计,建议通过动手调整谐振参数与开关频率以深入掌握系统动态特性。

机器人具有扰动抑制功能的有限时间基于方位角的领航者-跟随者编队控制(Matlab代码实现)

内容概要:本文档名为《Plecs全桥LLC谐振变换器仿真模型.txt》,但其实际内容并非围绕该主题展开,而是作为一份优快云博客或科研资源共享平台的文章汇总清单,集中展示了多个工程技术领域的仿真研究与算法实现。涵盖的主要方向包括电力电子(如LLC谐振变换器、VSC-HVDC、PMSM控制)、电力系统优化(潮流计算、微电网调度、无功优化)、智能优化算法(遗传算法、粒子群优化、NSGA-II、多元宇宙算法等)、控制理论(模型预测控制、卡尔曼滤波、滑模控制)、信号与图像处理(故障诊断、雷达SAR成像、双目视觉测距)、无线通信与传感器网络、无人机路径规划与多智能体编队控制、车间调度、深度学习应用(LSTM、CNN、DQN)等。所有条目均基于Matlab/Simulink或Python实现,强调提供完整的仿真模型、源代码、参考文献及详细说明文档,便于用户直接下载与复现。该文档本质为“荔枝科研社”团队发布的科研技术服务推广目录,旨在展示其在多学科仿真建模方面的技术积累与资源服务能力; 适合人群:具备一定工程背景和编程基础的研究生、高校教师、科研人员以及从事自动化、电气工程、控制科学与工程、计算机科学、通信工程、智能制造等相关领域的技术人员; 使用场景及目标:①为科研工作者提供成熟的算法实现方案与仿真模板,显著降低课题开发与论文复现的时间成本;②辅助完成课程设计、毕业设计、科技竞赛(如数学建模大赛)、期刊论文复现等任务;③推动先进控制策略、智能优化算法和数据驱动方法在电力系统、智能制造、无人机集群、新能源管理等前沿领域的应用研究与成果转化; 其他说明:所有资源均通过百度网盘或微信公众号“荔枝科研社”免费提供下载,配套资料齐全,包含仿真模型、可运行代码、论文参考文献、技术文档等,支持快速部署、结果验证与二次开发,适用于教学、科研与工程实践场景。

基于单串电池保护IC:DW01-A/J开发的Battery Charger ,支持瞬态100A电池供电能力,适用于儿童 大脚车类

文件内含:原理图、PCB gerber、BOM,以及SMT位置文件,已验证完毕,可直接生产。

上一篇: okTurtles 专家揭秘:AI 编码“短 leash”方法及审查要点,助开发者提升效率
下一篇: 智能体技能:为 AI 智能体注入专业知识,实现跨产品复用与高效工作
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值