MemCompile 提出查询条件化记忆编译框架，LoCoMo 判准率达 80…
论文AI 评分 68/100arXiv 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。
针对长期对话记忆检索中「检索到的片段被直接交给阅读器、上下文冗余或不完整」的问题，论文提出 MemCompile 框架，把记忆寻址与证据呈现拆成两个平面：Address Plane 用带来源链接的紧凑描述符和容量感知的 Cells 定位相关支撑，并把异构检索命中归一为稳定的 SourcePacket 身份；Evidence Plane 在有限证据预算内分配互补包、接纳少量额外支撑，并把保留的论断渲染成可直接作答的上下文。该方法在 LoCoMo 上取得 80.52% 的 Judge Accuracy，并把质量-成本帕累托前沿推向更高质量区间；在 LongMemEval-S 上的表现说明该收益可跨基准泛化。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
长期记忆场景下，回答所需证据往往分散在多个轮次和会话中。现有系统虽然引入了结构化记忆与自适应检索，但通常把检索到或扩展后的记忆单元直接交给阅读器，使「记忆寻址」和「证据呈现」两件事绑在一起，最终上下文要么冗余、要么缺料。MemCompile 的出发点是把这两步解耦：先确定哪些来源真正支撑回答，再在预算内把这些来源组织成可直接使用的证据。
两个平面的分工
框架分为 Address Plane 与 Evidence Plane。前者面对一个查询，用紧凑的、带来源链接的描述符以及容量感知的 Cells 去定位相关支撑，并通过一个归一化边界把来源各异的检索命中收敛为稳定的 SourcePacket 身份，避免同一来源被重复或碎片化处理。后者在有限的证据预算下，把预算分配给互补的包，允许接纳少量额外支撑，并把每个入选包对应的论断渲染进最终上下文，使输出面向作答而非面向检索。
评测结果与泛化
在 LoCoMo 基准上，MemCompile 的 Judge Accuracy 为 80.52%，作者称其把经验性的质量-成本帕累托前沿推向了更高质量区间，即在同等成本下取得更好质量，或为更高质量付出更少成本。在 LongMemEval-S 上该方法同样表现较强，作者据此认为查询条件化编译带来的收益并不局限于单一基准，而是能在长期对话记忆类评测之间泛化。
为什么值得看
长期记忆是 Agent 落地的关键瓶颈，该工作把「检索命中」重构为「可作答证据」，并给出质量与成本的前沿对比。
论文
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。