标签
该论文提出了 T-Mem，一种面向长跨度多方对话中 LLM 智能体的、基于时序结构的记忆框架。它通过时序证据发现和时序记忆结构化，找回局部集中的证据，并以证据森林的形式重建事件演进过程，在两个基准测试中优于现有记忆框架。
TWIST 是一个用于评估对话记忆系统中干预质量的提议基准套件，具有人工验证的轨道，用于检测未解决的张力和过时事实等故障，揭示了传统指标忽略的召回率与特异性之间的权衡。
本文介绍了 LSREP，一种用于评估对话记忆的纵向状态重放协议，并以 ICE v2 作为案例研究，通过与向量 RAG 对比的重放和审计，揭示了故障模式。
本文介绍了 SCALE-QA，一个用于评估长上下文中交错对话记忆的基准，并提出了 TSIM，一种提高记忆重构精度的方法，优于现有基线。
本文介绍了 ReFind，一种智能体控制的搜索界面，它使用词法索引和迭代关键词搜索对原始、未修改的聊天日志进行操作，表明它可以在对话记忆基准测试中媲美 HippoRAG 2 等结构化记忆系统，而无需构建任何语义结构。
介绍了MemOps，这是一个将对话记忆重新定义为具有结构化轨迹的生命周期操作的基准，能够对基于LLM的智能体中的记忆故障进行操作级诊断，揭示当前系统远未达到均匀可靠的境地。
ConvMemory v3 引入了一个有效性上下文层，通过目标条件双证据门检测过时或被取代的对话记忆，在合成基准上实现了高准确率，并零样本迁移到角色绑定任务。
ConvMemory v2是一种保持召回率的重排序器，它利用微调后的交叉编码器对ConvMemory v1的前10个候选结果进行重新排序，在LoCoMo基准测试中提升了MRR指标，同时保持召回率不变。
MemoryDocDataSet 是一个全新的合成基准测试，包含 50 个微型世界和 1,000 个问答对，专为同时评估 AI 系统在对话记忆与长文档推理两项联合任务上的表现而设计。最优基线方法（RAG-Both）的整体 F1 值仅为 0.358，凸显了当前系统在将对话记忆与长文档导航能力融为一体方面存在的显著差距。
一个受情景记忆理论启发的新型内存检索系统，使用Gemini Flash在LongMemEval基准测试中取得了最先进的96.4% top-50准确率，通过将检索质量与模型能力分离，超越了基于Pro的大型基线。
EviMem结合了用于证据差距检测的IRIS和用于分层记忆的LaceMem，以改进长期对话记忆检索，在时间和多跳问题上实现了更高准确率和更低延迟。