SpeakerMem-R1解决多方对话记忆瓶颈，刷新EverMemBench纪录
论文AI 评分 72/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对大模型在多方对话中难以区分发言归属及理解关系状态变化的问题，提出SpeakerMem-R1框架。其采用双轨记忆机制，存储带说话人标签的原话及按个人与群体视角组织的衍生状态，查询时按实体、事件与时间融合双轨证据。为降低结构化记忆构建中的归因与更新错误，训练Writer-R1模型并支持本地部署。在EverMemBench公开榜单取得62.33%的最佳成绩，在GroupMemBench与SocialMemBench分别达47.9%与69.2%，双人长对话边界测试LoCoMo达70.85%。强化学习将SFT Writer平均准确率从57.38%提至68.20%。
为什么值得看
突破大模型多方长对话记忆归因与状态重建瓶颈，双轨机制与本地部署方案对构建长程社交AI具实用价值。
大模型强化学习
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。