C3M：跨会话多模态记忆维护框架发布
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。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跨会话记忆的预算难题
长周期任务往往跨越多次会话，需要把先前出现过的证据保留下来，并在后续环节重新取回。C3M 针对的正是这种场景，它把约束设定为记忆容量有上限、且查询内容在写入时并不预先知晓。作者指出，既有的压缩方式存在两类损失：一类是把细粒度的视觉线索压掉，另一类是把语义上接近、实际却彼此不兼容的观察混为一谈。C3M 的做法是在持久的文本与图像源证据之上，维护一个容量受限的活动索引，而不是直接对原始证据做不可逆的压缩。这样做的目的是让被索引的内容始终能回溯到源材料，避免在压缩环节丢失后续推理所需的细节。
关系感知更新与路由
在索引维护上，C3M 采用关系感知的更新策略。它会把安全的冗余合并起来，同时把互补的记录和互不兼容的记录分别保留，不让它们在合并中被抹平。到了查询阶段，系统按预算进行路由，先挑选出有用的索引页，再在固定的读取预算下把这些索引页关联的源证据展开。两个环节配合起来，形成一种紧凑且保留来源线索的多模态记忆组织方式。论文强调，这种组织方式能够保住时间上的区分以及源链接，而这两点被认为是下游推理可靠与否的关键。索引容量与读取预算都是被限定的，因此系统需要在有限资源内决定保留什么、展开什么。
适用边界与可获取内容
C3M 面向的是跨会话的长周期任务，其前提是存在可持续保存的文本与图像源证据，并且记忆预算有界、查询在写入时不可预知。它并不试图在压缩阶段一次性决定所有取舍，而是把取舍分散到更新与查询两个环节。论文给出的定位是紧凑、可溯源的多模态记忆组织，保留时间区分与源链接以支撑下游推理。作者同时公开了代码，论文以预印本形式发布，编号为 arXiv:2609.29735，提交时间为 2026 年 9 月 24 日，作者包括 Xueshu Chen、Yan Wang、Zihao Xue、Jiefu Li、Zhenfang Liu、Jayden Chen、Zhen Bi、Jungang Lou。对读者而言，这意味着在长周期、跨会话且记忆受限的任务中，多了一种以保留来源与时间线索为优先的记忆组织思路可供参考。
为什么值得看
解决长程任务中多模态记忆的冗余压缩与矛盾冲突难题，为跨会话可靠推理提供新机制。
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。