在内存基准测试LongMemEval上以Gemini Flash（非Pro）取得第一 [R]

披露：第一作者。针对LongMemEval（Wang等人，2024）的实验性内存检索系统评估。觉得结果可能在此引起兴趣，特别是故意使用较小的回答模型以将检索质量与模型能力分离。使用Gemini 3 Flash在top-50上达到96.4%。已报告的对比得分（均为Gemini 3 Pro）：Mem0 94.8%，Honcho 92.6%，HydraDB 90.79%，Supermemory 85.2%。检索架构借鉴了情景记忆理论（Tulving，1972）、重建性回忆（Bartlett，1932）和时间上下文模型（Howard & Kahana，2002）。我们认为重要的三个设计选择： * **查询分解**：并行检索传递针对不同的信息需求。对于单个查询无法浮现所有相关片段的跨会话问题至关重要。 * **时间显著性评分**：根据语义相似性、词汇精确性和时间显著性对候选进行评分，反映了人类回忆中的关联和近因因素（Polyn等人，2009）。 * **连贯性重排序**：在呈现给回答模型之前，根据跨内存连贯性和时间链解析进行重排序。 方法：复刻了Mem0的开源基准测试脚本，用我们的系统替换了存储和检索，剥离了所有特定问题的提示模板。单个通用提示，500个问题。在top-50上的类别结果：单次会话（用户）98.6%，助手100%，偏好96.7%，知识更新97.4%，多次会话94.0%，时间推理95.5%。局限性：单一基准评估；架构细节故意受限；单一模型配置，无消融实验；生产条件（对抗性输入、隐私、矛盾信息）未经测试。约96%以上时我们遇到了评估天花板效应：含糊问题、狭窄预期答案、数据集不一致性。发现了一些基准错误，已向上游报告。[论文](https://exabase.io/research/exabase-achieves-state-of-the-art-on-longmemeval-benchmark) | [结果](https://fabric.so/p/longmemevalresults20260514125510-48Wipq9gyX8ZRzG3jHnWY9?expandedFdocId=b06b9bab-a50c-4bcf-935b-7f86c118aa9b) | [回答提示](https://fabric.so/p/longmemeval-answer-generation-prompt-6qoaWxIa5BCrPH3DDdQbdS?expandedFdocId=0fda4cbc-438d-4546-bd06-69bcedb1e566) 好奇是否有人已经探索了类似受认知科学启发的对话内存检索架构。