TrackMem 提出按说话人图记忆，金融长对话准确率超基线
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，非原文转载金融对话为何难住记忆系统
论文指出，现有 LLM 智能体记忆系统多在社交对话上评测，那类对话里事实不断累积且很少变化，记住内容基本等同于找到某句话出现在哪一轮。金融对话不满足这一前提：数字会被修订，立场会在不再重申的情况下改变，某条规则只说明一次却约束后续提问，同一家公司还会在多个分析视角下被讨论。因此，按与问题相似度检索段落、或按最近优先检索的做法，会返回已被取代的数值，漏掉与问题没有字面重合的规则，也无法还原分散在多次会话中的立场。
TrackMem 的记忆结构
作者给出的 TrackMem 是一种按说话人组织的图记忆。它记录数字的历次取值及其变化过程，而不是只保留最新或最相似的一条；把不同实体与不同分析视角下的看法分开存放，避免同一公司的多种判断互相混淆；同时按时间顺序保留每位说话人做过的动作，使跨会话的立场变化可以被追溯。这一结构针对的正是相似度检索和最近优先检索在金融场景中失效的几种情形。
FinLoCoMo 基准与评测结果
为验证效果，作者构建了 FinLoCoMo，包含 15 段长周期投资对话、共 765 个问题，划分为两个部分：一部分沿用 LoCoMo 的类别，另一部分专门针对四种失败模式设计。在两种读取器配置下，TrackMem 在两个划分上都超过了现有记忆系统。失败模式划分上，其宏平均准确率为 73.9%，最强基线为 69.4%；提升最明显的是涉及修订数字的问题，为 86.5% 对 73.4%。论文共 22 页，正文 6 页，含 4 张图。
为什么值得看
金融场景里事实会变、规则不重复，现有相似度或最近优先的记忆检索会返回过期值，这里给出了可复用的评测与记忆结构。
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。