AI·快讯
💰 融资 · 技术突破

国内唯一多模态长记忆公司获数千万融资，押注AI主动智能的关键基础设施

丘脑智能推出原生多模态记忆基座 MemAura，以仿生记忆架构重新定义 AI 的个性化边界——Token 消耗降低近一半，检索延迟控制在 400 毫秒以内。创始人张源判断：主动智能会率先发生在 Memory 企业。

2026-08-01• 全文约 4 分钟读完
#丘脑智能 #多模态长记忆 #MemAura #主动智能 #种子轮
数千万元 种子轮融资 · 深圳一线基金领投
400ms 记忆检索延迟，端到端首答 < 1 秒
80%+ 综合准确率，双 SOTA 基准

⚡ 30 秒速览

  • 谁拿了钱：丘脑智能——国内唯一做多模态长记忆的公司，完成数千万元种子轮融资，团队平均 26 岁，来自阿里达摩院、腾讯、商汤。
  • 做了什么：2026 年 6 月上线原生多模态记忆基座 MemAura，采用仿生记忆架构（事件识别→编码→分区），支持冷热存储，Token 综合消耗降低 40%–49%。
  • 凭什么信：联合英伟达、港科大、港中文发布全球首个多模态长记忆 Benchmark MEMLENS，27 个视觉语言模型 + 7 个 Memory Agent 同场对照，结论公开可查。
  • 核心判断：Memory 的核心不是存储，而是决策。基模与记忆企业各有分工——基模做底层推理，记忆企业做跨模态检索与状态更新。
  • 谁在用：陪伴机器人、AI 客服、数字员工等场景已接入，以 API 调用量 + 场景授权组合收费。

01基模不会吃掉 Memory 层

丘脑智能创始人张源在融资沟通中反复被问到一个问题：基模会不会自己把记忆做了？她的回答很坚定——记忆层一定会作为独立的基础设施长期存在。

理由并不复杂：用户在不同基模之间切换，记忆孤岛天然存在。

不同厂商的基模基因、训练语料、擅长任务各有差异，用户今天用这个模型，明天用那个模型，记忆无法跨模型流转。AI 从通用走向个性化的过程中，缺少一个以用户为中心的第三方记忆层——这正是丘脑智能看到的机会。

但机会背后是行业尚未解决的三个硬痛点：

💰推理成本高：海量上下文全量塞入窗口
🔗上下文断裂：跨 session 任务难以衔接
🎨模态缺失：纯文本方案无法处理视觉/音频

注：三大痛点覆盖了成本、连续性和多模态三个维度，是目前 Memory 领域最棘手的工程障碍。

张源认为，基模与记忆企业应该各有分工。她用一个对比来说明：

基模厂商

做好视觉感知、图文对齐和底层推理。把上下文窗口做得更长，优化 KV cache，专注模型能力本身。

记忆企业

做好跨模态信息检索、证据组织和状态更新。以用户为中心，持续学习，支撑个性化交互。

这一分工不仅被丘脑智能的实践验证，也被他们联合发布的 Benchmark MEMLENS 所证实——后文会详细拆解。

02MemAura：仿生记忆，原生多模态

传统记忆系统的做法是：抽取→压缩→摘要→存入原始信息库→通过图谱或向量检索。但 MemAura 走了一条不同的路——仿生记忆架构，模仿人类记忆的处理机制。

具体流程分三步：

事件识别→关键信息编码→隐私与非隐私分区隔离

在此基础上，采用冷热存储策略：高频访问的数据用热存储实现快速检索，低频数据用冷存储节约资源。核心数据随时可访问，同时控制成本。

性能数据方面，MemAura 在真实场景中交出了以下成绩：

40–49%输入侧 Token 综合消耗降低
400ms记忆检索延迟
< 1s端到端首次回答
80%+综合准确率

注：对比传统方案，MemAura 在延迟和 Token 支出两个客户最关心的维度上做了工程化权衡，而非盲目追求 Benchmark 高分。

在技术路线上，丘脑智能已完成两次迭代，正在探索第三次：从 STKG 时空知识图谱（在 LoCoMo 和 LongMemEval 上拿到双 SOTA），到仿生记忆架构 MemAura，再到基于 E2P（Embedding-to-Prefix）和 Transformer 微调的下一代方案——实验室环境下已实现 Token 大幅节省和近似持续学习的偏好抽取效果。

一个值得注意的细节：传统线上客服场景的延迟通常在 10 秒左右，陪伴场景在 2 秒左右，而 MemAura 将延迟压缩到 400 毫秒以内——这决定了 AI 的交互是否"像人"。

03MEMLENS：全球首个多模态长记忆 Benchmark

2026 年 5 月，丘脑智能联合英伟达、港科大、港中文发布了 MEMLENS——全球首个多模态长记忆评测基准，已开源并获 Hugging Face AI 领域 Daily Paper 前三。

他们把 27 个视觉语言大模型和 7 个 Memory Agent 放在同一套多模态数据下，分 4 档上下文长度（32K / 100K / 128K / 256K）做了一次完整的对照实验。三个核心发现：

发现一：全量塞入 ≠ 记忆

  • 视觉语言大模型普遍不做压缩，直接将内容全量塞入上下文窗口。长度增加后，表现急剧下降。
  • Memory Agent 表现相对稳定，但大量多模态数据在写入阶段就已损失——架构设计缺陷导致信息丢失。
结论：「长上下文 ≠ 好记忆」，关键在于记忆架构的设计。

发现二：越长越容易产生幻觉

  • 无论 Memory Agent 还是视觉大模型，随着上下文长度增长，都更倾向于自信地胡说。
  • 面对缺乏充分证据的问题，模型拒绝回答的能力反而下降，幻觉风险与上下文长度正相关。
结论：长度本身是双刃剑——更长的上下文需要更强的记忆筛选机制来对冲幻觉。

发现三：后训练方法削弱了拒绝能力

  • 许多针对 Memory 的后训练方法，在提升记忆能力的同时，削弱了模型拒绝回答的能力。
  • 这直接导致模型在面对不确定信息时更容易产生幻觉，安全性随之下降。
结论：记忆训练与安全训练需要协同优化，不能顾此失彼。

MEMLENS 的深层含义是：基模厂商和记忆公司确实应该各有分工。基模做好视觉感知、图文对齐和底层推理；记忆企业做好跨模态检索、证据组织和状态更新——两者在生态位上是互补而非替代关系。

04Memory 的核心不是存储，而是决策

如果 Memory 只是存储，传统数据库和文件系统早已实现，完全不需要 AI 记忆。真正让 Memory 创造价值的，是它做出一系列判断的能力：是否写入、哪部分写入、召回什么、在什么时机主动发起召回。

基于此，Memory 承载着两大核心价值：

第一，释放 AI 潜力的上限。基模的上限到 AI 真正能够触达的上限之间，存在一个关键的中间层——包括 AI 系统的复杂度，以及个性化的数据闭环（即 Memory）。这个闭环是释放 AI 潜力上限的核心基础设施。

第二，支撑主动智能。AI 的落脚点始终在人身上——服务于人、取悦于人、加速于人。Agent 的终局不应该是任务驱动的，而是状态驱动的。未来的 Agent 能基于你的历史记忆帮用户做规划，自我驱动完成任务。

一个诚实的注脚：

目前大部分 Memory 企业仍在聚焦上下文窗口和 RAG。但上下文窗口本质上是依赖前端交互维持的临时性工作记忆，不是真正的记忆；而 GraphRAG 本质上是外挂的向量数据库，缺乏对信息关联性的动态建模。真正的记忆需要追踪随时间变化的用户意图，不断更新调整——这比单纯的检索要复杂得多。

编辑核心判断

Memory 的核心不是存储，而是决策。主动智能会率先发生在 Memory 企业——因为只有掌握了用户个性化数据闭环的公司，才能在正确的时间、以正确的方式发起交互。基模与记忆企业的分工，不是一个可选项，而是释放 AI 潜力上限的必经之路。

▶面向企业客户开放

MemAura 以 API 调用量及场景授权组合的方式收费，客户可按需选择不同层级的记忆能力。目前已落地陪伴机器人、AI 客服、数字员工等场景。

官网申请体验 →