📰 概要

手机里的截屏、语音备忘录、随手拍的视频、收到的文档——这些碎片化内容每天都在产生，但很少有人会主动整理。

OPPO小布记忆的定位就是解决这个问题的：AI自动理解这些碎片内容，整理成结构化的"记忆"。

2026年4月30日，OPPO高级算法工程师王闯闯在AICon上海大会上，披露了小布记忆的技术架构。 核心是端云协同：80%的简单场景在手机端完成推理，20%的复杂场景上云。 端侧基于自研AndesVL多模态大模型，不需要联网也能识别截图、语音、视频、文档。

效果数据不错：合集创建准确率从83%提升到97%，新记忆加入的准确率从76%提升到95%。

---

🔍 解读

小布记忆的端云协同设计，是目前端侧AI的一个典型思路。

80%的流量在端侧处理，意味着8成用户请求不需要联网。 这对于用户隐私和数据安全是加分——截屏、语音、日程这些高度敏感的数据，大部分停留在本地。

具体分流逻辑很清晰：简单场景=直屏+单个手机+任务数≤2+单标签单实例。全部条件同时满足才走端侧。 分屏、多浮窗、平板、多任务、多标签——这些稍微复杂的场景就上云处理。

端侧的AIUnit支持的任务类型包括：图文结构化提取、日程待办、取餐码、记账、图片分类和总结。 这几乎覆盖了普通用户日常需要"记下来"的所有场景。

---

💎 深挖

小布记忆的技术架构有几个值得细看的点。

第一个是端侧推理的优化策略。OPPO用了Prompt精简、输出格式优化、图片resize来控制端侧计算压力。 在手机端跑大模型，功耗和发热是硬约束。能支撑80%流量的端侧处理，说明AndesVL的效率和压缩做得不错。

第二个是多语种POI提取。支持英语、印地语、印尼语的场景优化。 这对国际版手机很重要——东南亚市场是OPPO的重点区域，多语种理解能力直接决定了产品的可用性。

第三个是自动评测体系。OPPO用了LLM-as-a-Judge来做自动化质量保障，配合badcase反馈闭环。 在端侧AI迭代中，因为没有云上日志，效果评估一直是个难题。LLM-as-a-Judge加上端侧数据回传，可以在不上传用户隐私数据的前提下进行质量评估。

什么情况不建议用 OPPO小布记忆深度依赖AndesVL自研模型，第三方开发者没有同级别的生态支持。 如果你的应用只有一个端侧模型（比如iOS CoreML或Android NNAPI），做不到80%端侧11类场景分类。 小布记忆是系统级Agent，非系统App无法获得截屏监听等API权限。

对开发者的启发：端侧AI不是简单的"模型变小"。 端云分流、端侧AIUnit的任务规划、端侧推理优化——这些系统工程比模型本身更决定产品体验。 "80%本地20%云"的设计理念，正在成为移动端AI产品的标准范式。