论文页面 - MemReread：通过记忆引导的重读增强智能体长上下文推理

来源：https://huggingface.co/papers/2605.10268

摘要

MemReread 通过避免中间检索，并采用问题分解与重读来恢复被丢弃的信息，从而解决长上下文推理挑战，同时保持线性时间复杂度。

为了应对长上下文推理 (https://huggingface.co/papers?q=long-context%20reasoning) 任务，且不引入标准注意力机制 (https://huggingface.co/papers?q=attention%20mechanisms) 的二次复杂度，基于智能体记忆 (https://huggingface.co/papers?q=agent%20memory) 的方法应运而生。这类方法通常在线性处理文档片段时维护一个动态更新的记忆。为缓解这种“边记忆边阅读”范式中潜在潜在证据丢失的问题，近期工作集成了检索模块 (https://huggingface.co/papers?q=retrieval%20modules)，允许智能体回忆在记忆覆盖 (https://huggingface.co/papers?q=memory%20overwriting) 过程中之前被丢弃的信息。然而，基于检索的召回既面临记忆形成过程中的证据丢失，也受无效查询引发的干扰所困扰。为克服这些局限，我们提出 MemReread。基于流式阅读 (https://huggingface.co/papers?q=streaming%20reading)，MemReread 规避了中间检索。当最终记忆不足时，它会触发问题分解 (https://huggingface.co/papers?q=question%20decomposition) 和重读 (https://huggingface.co/papers?q=rereading)，从而恢复被过早丢弃的间接事实。该设计支持非线性推理，同时保留了文档理解固有的逻辑流程。为进一步提升实用性，我们引入了一个强化学习 (https://huggingface.co/papers?q=reinforcement%20learning) 框架，增强长度外推 (https://huggingface.co/papers?q=length%20extrapolation) 能力，同时根据任务复杂度动态确定重读 (https://huggingface.co/papers?q=rereading) 次数，从而灵活控制计算开销。大量实验表明，MemReread 在长上下文推理 (https://huggingface.co/papers?q=long-context%20reasoning) 任务上始终优于基线框架，同时保持与上下文长度成线性时间复杂度的关系。

查看 arXiv 页面 (https://arxiv.org/abs/2605.10268) 查看 PDF (https://arxiv.org/pdf/2605.10268) GitHub1 (https://github.com/iiGray/MemReread) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.10268)

在您的代理中获取此论文：

hf papers read 2605.10268

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用该论文的模型 0个

暂无模型链接本论文

请在模型 README.md 中引用 arxiv.org/abs/2605.10268 以从该页面链接。

引用该论文的数据集 0个

暂无数据集链接本论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.10268 以从该页面链接。

引用该论文的 Spaces 0个

暂无 Space 链接本论文

请在 Space README.md 中引用 arxiv.org/abs/2605.10268 以从该页面链接。

包含本论文的收藏集 0个

暂无收藏集包含本论文

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从该页面链接。