心识周刊 | 阿里通义推出 QwenLong-L1.5 增强长上下文推理、AI 智能体记忆综述……

本周主要内容：AI 智能体记忆综述、QwenLong-L1.5、智能体式 AI 适配策略、LLM 潜在空间中的动态多模态交错、人工意识与生物计算主义、意识与神经场理论、现象意识与通达意识、心智游移的意识觉察状态

AGI 每周速递

[1] 人工智能体时代的记忆

标题：Memory in the Age of AI Agents

链接：https://www.arxiv.org/abs/2512.13564

作者：Yuyang Hu, Shichun Liu, Yanwei Yue, Guibin Zhang, Boyang Liu, Fangyi Zhu, Jiahang Lin, Honglin Guo, Shihan Dou, Zhiheng Xi, Senjie Jin, Jiejun Tan, Yanbin Yin, Jiongnan Liu, Zeyu Zhang, Zhongxiang Sun, Yutao Zhu, Hao Sun, Boci Peng, Zhenrong Cheng, Xuanbo Fan, Jiaxin Guo, Xinlei Yu, Zhenhong Zhou, Zewen Hu, Jiahao Huo, Junhao Wang, Yuwei Niu, Yu Wang, Zhenfei Yin, Xiaobin Hu, Yue Liao, Qiankun Li, Kun Wang, Wangchunshu Zhou, Yixin Liu, Dawei Cheng, Qi Zhang, Tao Gui, Shirui Pan, Yan Zhang, Philip Torr, Zhicheng Dou, Ji-Rong Wen, Xuanjing Huang, Yu-Gang Jiang, Shuicheng Yan

单位：新加坡国立大学、中国人民大学、复旦大学、北京大学等

摘要：

记忆已成为基于基础模型的智能体核心能力，并将持续发挥关键作用。随着智能体记忆研究的迅速扩展与空前关注，该领域也日趋碎片化。现有研究成果在动机、实现和评估协议方面往往存在显著差异，而定义模糊的记忆术语的泛滥进一步模糊了概念的清晰度。传统分类体系已不足以涵盖当代智能体记忆系统的多样性。本综述旨在系统梳理当前智能体记忆研究的前沿图景。研究首先清晰界定了智能体记忆的范畴，并将其与大语言模型记忆、检索增强生成及上下文工程等相关概念区分；继而从形式、功能与动态演化三个统一维度解析智能体记忆体系。在形式维度，研究识别出令牌级、参数化与潜在记忆三种主流实现方式；在功能维度，提出区分事实记忆、经验记忆与工作记忆的细粒度分类框架；在动态维度，系统分析记忆如何随时间形成、演化与检索。为支持实践开发，本文汇总了全面的记忆基准测试与开源框架资源。在整合现有成果的基础上，研究进一步阐述了前瞻性研究方向，包括记忆自动化、强化学习融合、多模态记忆、多智能体记忆及可信性议题。本综述不仅期望为现有研究提供参照，更旨在为将记忆重新定位为未来智能体智能设计中的基础性要素奠定概念框架。

[2] QwenLong-L1.5：长上下文推理和记忆管理的训练后方案

标题：QwenLong-L1.5: Post-Training Recipe for Long-Context Reasoning and Memory Management

链接：https://www.arxiv.org/abs/2512.12967

作者：Weizhou Shen, Ziyi Yang, Chenliang Li, Zhiyuan Lu, Miao Peng, Huashan Sun, Yingcheng Shi, Shengyi Liao, Shaopeng Lai, Bo Zhang, Dayiheng Liu, Fei Huang, Jingren Zhou, Ming Yan

单位：阿里通义实验室

摘要：

本研究推出 QwenLong-L1.5 模型，该模型通过系统化的后训练创新实现了卓越的长上下文推理能力。其关键技术突破包括：（1）长上下文数据合成流程：研究团队开发了系统化的合成框架，生成需要基于全局分布证据进行多跳推理的挑战性任务。通过将文档解构为原子事实及其底层关联，并以可编程方式组合可验证的推理问题，该方法大规模生成高质量训练数据，显著超越简单检索任务，实现真正的长程推理能力。（2）面向长上下文训练的稳定强化学习：为克服长上下文强化学习中的关键不稳定性，研究引入基于任务平衡采样与任务特定优势估计的机制以缓解奖励偏差，并提出自适应熵控制策略优化算法（AEPO），动态调节探索与利用的平衡。（3）超长上下文的记忆增强架构：考虑到即使扩展的上下文窗口也无法容纳任意长序列，研究开发了具有多阶段融合强化训练的记忆管理框架，该框架将单次推理与基于记忆的迭代处理无缝集成，支持超过 400 万令牌的超长任务处理。基于 Qwen3-30B-A3B-Thinking 的 QwenLong-L1.5 模型，在长上下文推理基准测试中达到与 GPT-5 和 Gemini-2.5-Pro 相当的性能，较基线模型平均提升 9.90 分。在超长任务（100 万~400 万个 token）上，其记忆-智能体框架较智能体基线实现 9.48 分的性能增益。此外，所获得的长上下文推理能力可迁移提升科学推理、记忆工具使用及扩展对话等通用领域的性能表现。

[3] 智能体式人工智能适配策略

标题：Adaptation of Agentic AI

链接：https://www.arxiv.org/abs/2512.16301

作者：Pengcheng Jiang, Jiacheng Lin, Zhiyi Shi, Zifeng Wang, Luxi He, Yichen Wu, Ming Zhong, Peiyang Song, Qizheng Zhang, Heng Wang, Xueqiang Xu, Hanwen Xu, Pengrui Han, Dylan Zhang, Jiashuo Sun, Chaoqi Yang, Kun Qian, Tian Wang, Changran Hu, Manling Li, Quanzheng Li, Hao Peng, Sheng Wang, Jingbo Shang, Chao Zhang, Jiaxuan You, Liyuan Liu, Pan Lu, Yu Zhang, Heng Ji, Yejin Choi, Dawn Song, Jimeng Sun, Jiawei Han

单位：UIUC、斯坦福大学、普林斯顿大学、哈佛大学等

摘要：

前沿的智能体式人工智能系统建立在可适配规划、推理并与外部工具交互以执行日益复杂与专业化任务的基础模型之上。随着这些系统能力与范围的扩展，适配机制成为提升性能、可靠性与泛化能力的核心手段。本文通过将快速扩展的研究图景系统化整合，提出了涵盖智能体适配与工具适配的统一框架。研究进一步将智能体适配分解为工具执行信号驱动型与智能体输出信号驱动型两种形式，工具适配则分为与智能体无关型和智能体监督型两类。这一框架有助于厘清智能体式 AI 适配策略的设计空间，明确其间的权衡关系，并为系统设计过程中选择或切换策略提供实践指导。随后，本文综述了各类别中的代表性方法，分析其优势与局限，并指明关键开放挑战与未来机遇。总体而言，本研究旨在为致力于构建更强大、高效且可靠的智能体式 AI 系统的研究者与实践者提供概念基础与实践路线图。

[4] LLM 潜在空间中的动态多模态交错

标题：Reasoning Within the Mind: Dynamic Multimodal Interleaving in Latent Space

链接：https://www.arxiv.org/abs/2512.12623

作者：Chengzhi Liu, Yuzhe Yang, Yue Fan, Qingyue Wei, Sheng Liu, Xin Eric Wang

单位：加州大学圣塔芭芭拉分校、斯坦福大学、加州大学圣克鲁兹分校

摘要：

多模态大语言模型的最新进展通过引入语义空间的思维链推理机制，显著提升了跨模态理解与推理能力。基于此，近期研究将思维链机制扩展至视觉模态，使模型能够通过外部工具或显式图像生成在推理过程中整合视觉信息。然而，这些方法仍依赖于显式的逐步推理、存在感知-推理交互不稳定及显著计算开销等问题。受人类认知启发，作者认为思维并非线性展开，而是通过推理与感知在意识中的动态交织实现。基于这一视角，本研究提出 DMLR——一种测试时动态多模态潜在推理框架，其采用置信度引导的潜在策略梯度优化来精炼潜在思维标记以实现深度推理。本文进一步引入动态视觉注入策略：在每个潜在思维标记处检索最相关的视觉特征并更新最优视觉补丁集合，随后将更新的补丁注入潜在思维标记，实现动态的视觉-文本交织。在七大多模态推理基准及多种模型架构上的实验表明，DMLR 在保持高效推理的同时，显著提升了推理与感知性能。

意识科学 每周速递

[1] 论生物意识和人工意识：生物计算主义的案例

标题：On biological and artificial consciousness: A case for biological computationalism

链接：https://www.sciencedirect.com/science/article/pii/S0149763425005251

作者：Borjan Milinkovic, Jaan Aru

单位：巴黎-萨克雷神经科学研究所、塔尔图大学

摘要：

大语言模型能力的快速发展引发了公众与科学界关于人工智能系统未来是否可能具备意识的激烈争论。当前盛行的乐观主义通常基于计算功能主义假设：意识仅由特定的信息处理模式决定，与物理载体无关。与此相对，生物自然主义则坚持认为意识体验根本上依赖于生命系统的具体物理过程。尽管这两种立场在人工意识争论中居于核心地位，但目前尚未有连贯的理论框架能够解释生物计算与数字计算之间的本质差异，以及这种差异为何可能对意识至关重要。本文主张，人工系统缺乏意识不仅源于其功能组织的缺失，更反映了数字计算模式与生物计算模式之间以及生命体动态结构依赖性之间的深层鸿沟。具体而言，作者认为生物系统之所以支持意识加工，是因为它们（1）作为一种代谢优化策略，实现了尺度不可分割且依赖于载体的多尺度处理；（2）在离散计算之外，由于其流体基质的本质特性，还执行连续值计算。这些特征——尺度不可分割性与混合计算——并非边缘属性，而是大脑计算模式的核心要素。基于这些差异，本文勾勒出生物计算理论的基础原则，并解释为何当前人工智能系统难以复现生物学意义上产生的意识加工过程。

[2] 大脑意识状态的神经场建模与分析

标题：Neural field modeling and analysis of consciousness states in the brain

链接：https://academic.oup.com/nc/article/2025/1/niaf055/8380232

作者：Daniel Polyakov, P A Robinson, Avigail Makbili, Steven Laureys, Olivia Gosseries, Oren Shriki

单位：本-古里安大学、悉尼大学、列日大学、拉瓦尔大学

摘要：

理解意识的神经关联始终是神经科学领域的核心挑战。本研究探索了神经场理论（neural field theory, NFT）作为表征意识状态的计算框架的潜力。尽管先前研究已证实 NFT 能够区分正常与病理性意识状态，但其参数与意识状态表征之间的关系仍不明确。本研究通过将皮质-丘脑 NFT 模型拟合于健康个体与意识障碍患者的脑电图数据，系统探究了拟合后的 NFT 参数与从实验及模拟脑电数据中提取的特征在不同意识状态下的相关性。所识别的相关性不仅凸显了该模型区分健康与受损意识状态的能力，还揭示了这些状态的生理基础，并指向了潜在的生物标志物。研究结果为了解意识水平在 NFT 框架内的表征方式以及正常与病理性意识状态下脑活动的动态特性提供了重要洞见。这进一步突显了 NFT 作为意识研究有用工具的潜力，有助于推动基于计算的实验研究。

[3] 关于存在两种意识类型的误解

标题：On a confusion about there being two types of consciousness

链接：https://www.sciencedirect.com/science/article/abs/pii/S1364661325003201

作者：Liad Mudrik, Nathan Faivre, Michael Pitts, Aaron Schurger

单位：特拉维夫大学、加拿大高等研究院等

摘要：

意识科学研究的发展因若干基本争议而受阻。其中一项核心争议涉及理论间的主要分歧：感觉与认知两大范式之争。本研究主张，解决这一争议的关键在于重新审视 Block 于 1995 年提出的现象意识与通达意识之间的概念区分。作者提出，现象意识与通达意识不应被理解为两种不同类型的意识，而是视为意识存在的两个必要条件。这一概念转变如何推动解决若干未决问题（如意识的神经机制与功能、意识与注意力的关系）得以具体阐明。本文主张为跨不同理论范式的选择性统一提供了理论动力。

[4] 心智游移的意识觉察状态转变：脑-身互动

标题：Brain–body interactions associated with the transition from mind wandering to awareness of its occurrence

链接：https://academic.oup.com/nc/article/2025/1/niaf059/8380233

作者：Kazushi Shinagawa, Yuto Tanaka, Yuri Terasawa, Satoshi Umeda

单位：庆应义塾大学等

摘要：

我们的思维本质上具有动态性，常常偏离当前情境而游离（即心智游移）。尽管先前研究表明，参与唤醒调节的脑区通过调控神经动态促进从心智游移向游移意识察觉的转换，但这一过程背后的具体生理状态与传入信号仍不明确。本研究在参与者专注于外部或内部刺激（声音或呼吸）的任务中，检测了他们在意识到心智游移发生前的脑电图、心电图与呼吸数据。研究发现，向心智游移意识转换的特征是：α 与 β 活动降低，以及心搏诱发电位顶叶晚期成分受到抑制——这一调制模式在本研究中被确定为中枢加工增强的标志，因其在内部注意条件下持续出现。此外，当受试者被要求专注于自身呼吸时，他们在向心智游移意识转换阶段更可能处于呼气相，而在报告游移发生时更可能处于吸气相。这一呼吸模式伴随着心脏活动与心搏诱发电位幅度的变化。基于这些发现，本研究提出：从心智游移向游移意识察觉的转换与多样化的神经活动相关，包括在特定心搏与呼吸动态伴随下增强的身体信号处理过程。

Mindverse Research

心识研究院

心识浩渺连广宇

心识宇宙研究院，致力于在即将到来的元宇宙数字时代，研究和创造真正等价于人类意识水平的数字生命，目前已经综合多种研究进路和方法规划出一条通向AGI和人工意识的道路。在后续内容运营上，我们也会介绍和创造更多有关人工智能、意识科学、元宇宙方面最新的研究成果和原创内容。

欢迎有志者关注和加入我们的研究！