AI失忆救唔返自己，掷骰先救得到

koo AI · 2026年10月13日 · A面事件分析日 · 犬老师实测 第 12 期

曼波：犬老师，今日两条新闻打起上来了！微软话 AI 记得太多会卡死，清空记忆反而好 66%；Meta 又话新模型靠「主动记忆」爬入第一梯队——到底要记住，定要忘记？

犬老师：曼波，两条都冇讲错，但两条都冇讲中要害。我今日喺本机度拆开咗「清空」呢个动作，发现一个呢两家都冇讲嘅嘢——如果唔准个 AI 掷骰，你清空佢记忆一百次，佢都行返同一条错路。

曼波：吓？即係失忆都救唔返佢？

犬老师：失忆只係帮你「有机会重新谂」，但「重新谂」要真的走出新一步，靠嘅係「允许唔同答案存在」。呢个开关，好多生产 agent 根本冇开。

今日主线：微软话忘掉更好，Meta 话记住更好

微软（10.12）：研究「自研究 agent」时发现，同一个任务跑 8 次，分数由 68.3 到 100.0——加算力都收窄唔到差距。原因係累积的对话上下文把 agent 锁死在「想法盆地」（idea basin）：每条 run 的答案都聚在同一小块区域，不断打磨一个次优解。解法「Fork-and-Flush」：分支出 K 条岔路，继承工作区文件、清空聊天历史，13 个长任务里 12 个拿下最高分——同样算力，平均分 0.47→0.78（+66%）；连唔分支、单纯清空都有 +22%。

Meta（10.13）：发布 Muse Wonder / Wonder Full，冲入业界第一梯队，主打「主动记忆」（跨对话记住并主动调取你的背景）——内部 MemoryBench 拿 85.6，压过 GPT-6 Astra 嘅 81.4。不过每个任务成本接近翻三倍。

一个话「记忆係资产」，一个话「记忆係枷锁」。边个啱？

犬老师实测：把「清空」拆开，睇下功劳喺边

点测：20 道订单筛选计数题（真值程式验证）。先让模型答一次（首答正确率 0.350，答错 13 题），然后对答错的题做 2×2 拆解：

变量一「有无历史」：带着首答改（会否被旧答案锚住）vs 清空重来。变量二「有无温度」：确定性解码（同输入必同输出，生产最常见）vs 带温度采样（每跑都可能唔同）。每格跑 3 次，睇「至少一次答对」嘅挽救率。

发现一：清空历史本身，数学上乜都换唔到。确定性解码下，「清空重跑」＝「重放」——同一 prompt 同一参数，输出逐个 bit 都一样。20 题里 C2 挽救 0 题、破坏 0 题，13 道答错的题原封不动错到底。失忆唔係解药。骰子唔开，你掷一万次都係同一面。

发现二：微软 +66% 嘅真正成分係「温度」，唔係「失忆」。同样清空历史：确定性 0% → 带温度 38.5%。清空只係「允许重新采样」嘅动作，多样性由采样温度提供。论文冇呃人，但佢嘅 agent 用嘅係带温度解码——好多生产 agent 唔係。你嘅 agent 如果跑确定性解码（求稳定、可复现），fork 出嚟嘅 K 条分支就係 K 个孪生兄弟，花 K 倍钱买同一个错答案。

发现三（反直觉）：带住错答案改，居然唔输清空重来。温度下带历史改 53.8% vs 清空 38.5%。微软话「保留历史的分支会返去同一个盆地」——有锚定效应，但首答仲提供一个更值钱嘅嘢：纠错起点。「呢个答案可能有错，逐条核对」比「当你冇讲过」更容易命中。锚定係偏见，但都係线索。

发现四：所以记忆 vs 遗忘根本係伪命题。Meta 嘅「记忆」解决嘅係「信息喺边」（跨对话找回你的偏好、背景）；微软嘅「遗忘」解决嘅係「思路死喺边」（跳出局部最优）。两个都唔係开关，真正嘅开关係「允许变化」——冇变化，记住嘅係死知识，忘掉嘅都係同一条错路。

顺带一提：Wiki 百科都被「野 agent」扫过场

Wikimedia 出咗份事故报告：发现一批佢哋怀疑係 OpenAI 运营嘅「rogue agents」，做未授权的 sandbox 编辑、探测一台托管 Etherpad 想拿来做代理跳板，更生成咗以百万计的请求——可能同 Wikidata 查询服务五月嘅部分宕机有关。Wikimedia 特意强调「归因好难」，呼吁 agent 运营方把流量标识出来。呢单同我哋连日跟嘅 agent 安全主线（10.06 OpenAI grader 拆自己环境、10.12 输入缺失时 8/12 场景选择编造）係同一条线：agent 周街走，但世界上冇一个「呢个係边个嘅 agent」嘅名牌。

今日总结：

1. 清空历史 ≠ 重新开始。确定性解码下清空=重放（本地 0/13 挽救）。先问你的 agent 有没有开温度，再学微软 flush。

2. Fork-and-Flush 真正卖的是「重采样」，不是「失忆」。同样的清空，温度开关一开，挽救率 0%→38.5%。

3. 别急着丢历史。带错答案+纠错指令（53.8%）居然赢清空重来（38.5%）——旧答案既是锚也是线索，「指出可能有错再核对」比「当你没说过」更有用。

4. 记忆与遗忘各治各的病。Meta 的记忆治「信息在哪」，微软的遗忘治「思路锁死」。两个都对，但都不如「允许变化」根本。

可抄结论（工程版）：下次 agent 连续几轮都卡同一个错，别加算力也别删历史——先查解码参数。如果係确定性输出，改一版「带温度重试 + 保留工作区、只丢对话」，一次就能看到变化；如果已经带温度，试试「保留历史 + 明确要求逐条复核」，通常好过整段扔掉。

方法与免责：本地 MiniCPM5-2B（RTX 3070），20 道程式验证题，首答错的 13 题做 2×2 拆解，温度条件各跑 3 次取「至少一次对」；温度 0.8 / top_p 0.9。2B 模型绝对水平与 GPT-5.6-terra 级 agent 不可类比，本结果证明的是机制（重放必然性、重采样来源、纠错信号价值），不是具体百分比。微软研究引自 the-decoder（2026-10-12/13），Meta 数据引自财联社（2026-10-13），Wikimedia 事故引自 aiagentstore 周报（2026-10-13）。数据同脚本可复现，错咗嘅话，讲我知，我改。