Cognee 对比 GLM-130B

Cognee 将文档、聊天记录、工单和 API 数据转化为图形记忆语言模型代理，可以跨会话调用。它从上下文中构建关联实体图，使代理在每次运行时不必从头开始。您可以连接 Slack、GitHub 或 Linear，使编码代理和支持机器人共享一个具有权限感知的公司大脑。

普通的 RAG 返回相似的文本片段。Cognee 将向量搜索与知识图谱和自动生成的本体结合，因此调用时提取的是关联实体和引用事实，而非孤立的片段。SDK 以四个动词为核心：记住、调用、遗忘和改进，且相同的接口通过 HTTP 和 MCP 提供给 Claude Code、Codex 和 OpenClaw。

平台团队将其用于编码代理记忆、GraphRAG 流水线、交易情报以及需要有据可依答案的面向客户的代理。可通过 pip 本地运行，自托管于 Docker 或本地环境，或在需要托管扩展时迁移至 Cognee Cloud。该项目在 GitHub 上拥有 30.4k 星标，每月 SDK 调用超过 500 万次，Bayer 和 Knowunity 已投入生产部署。

GLM-130B 将一个拥有1300亿参数的双语语言模型纳入了由THUDM基于通用语言模型（GLM）预训练方案构建的开放研究框架中。该模型权重针对英语和中文文本，GitHub仓库提供了推理代码、评估任务以及在ICLR 2023接受的检查点。您可以在单个多GPU服务器上运行从左到右的生成或使用[MASK]和[gMASK]标记的空白填充，而无需依赖专有API。

大多数超过1000亿参数的模型都保持封闭，GLM-130B则公开了模型权重、训练笔记和30多个基准测试的YAML配置。其INT4量化路径经过调优，使得四张RTX 3090（24GB）显卡几乎无精度损失地支持推理，这远低于用于完整FP16运行的八张A100（40GB）显卡配置。训练目标将95%的标记采用自回归空白填充，与来自T0++和DeepStruct的多任务指令数据混合，这与标准的因果GPT风格预训练有所不同。

研究双语零样本迁移、大模型量化或可复现的大型语言模型基准的研究人员将从GLM-130B中获益最多。该仓库侧重于评估和推理工具，而非托管聊天产品，尽管THUDM后来将对话工作拆分为ChatGLM。请准备好自备GPU、260GB检查点的存储空间以及下载权重时的耐心。