arXiv 论文提出 JointCore 与 JointCoreBench，用…
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，非原文转载问题设定
论文关注 LLM 智能体在单次决策中需要多少记忆。常见做法是按记录相关性或单条记录的影响大小排序，再取前若干条。作者指出，当证据存在冗余，或需要多条证据共同成立时，这种排序无法判断哪些记录组合才足够。因此论文把问题定义为“每次决策的记忆充分性”：选出一个很小的子集，使智能体的行为与使用全部记忆时保持一致。为区分搜索误差与模型误差，作者构建了 JointCoreBench，覆盖九类交互家族、六个工作流领域和自然语言决策，并提供精确的充分集 oracle，可直接判断某个子集是否充分。
方法与量化结果
JointCore 是一个按相关性成本排序的整组删除基线：它先成块测试记录，再逐条测试，从而减少需要评估的子集数量。在 6,912 个精确条件下，该方法在全部情形中找回最小成本充分集，子集评估次数从 30.00 降到 11.13，降幅 62.9%，活跃记忆节省 87.8%。作者还在四个 12B-70B 模型家族上测试，每个模型 432 个任务：JointCore 的未加权平均模型查询为 10.28 次，成本感知的单条删除为 16.00 次；最小成本恢复率为 50.6%，对比方法为 43.1%。在确定性的主接口下，两种方法都保持了全记忆行为。
接口依赖与定位
论文进一步用物理删除、UNKNOWN 掩码、PENDING 哨兵、反事实取值和替代标签做测试，发现行为会随接口不同而变化，说明记忆选择的效果与智能体读取记忆的方式有关。作者对结论的边界做了明确限定：JointCore 是一个高效的基准基线，这项研究并未确立可直接部署的记忆压缩方案。对读者而言，这篇论文的价值在于提供了一套可复现的评测条件和一组对比数字，而不是一个可以直接上线的记忆压缩工具。
为什么值得看
关注智能体记忆压缩与检索排序的研究者，可看到新的评测基准和一组可复现的量化对比。
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。