AI 自动翻译
arXiv：2610.33015v1 发布类型：新
摘要：长期记忆使大型语言模型（LLM）代理能够维持个性化且时间连贯的交互，但为实现记忆的存入、提取与组织而反复调用LLM进行推理，会带来显著的成本与延迟。我们提出了SLICE-Mem，一种轻量级记忆框架，融合了基于显著性引导的存入策略与以谓词为中心的信息提取方法。一个紧凑的分类器用于识别值得保留的用户发言，而基于语义依赖关系的提取器则将被接纳的发言转化为简洁的记忆条目。这一在线处理流程无需调用生成式LLM，同时将条目间的交叉校验延后至离线整合阶段。我们在Memora和LongMemEval-S的每周子集上对SLICE-Mem进行了评估，并分别采用8B与30B规模的Qwen骨干模型，在两个基准上执行记忆构建与整合。与Qwen3-30B配置下的生成式记忆基线MemOS相比，SLICE-Mem的在线处理流程在Memora Weekly上的FAMA（遗忘感知记忆准确率）为46.60，优于46.68；在LongMemEval-S上的准确率为56.8%，高于59.3%；同时，其总LLM令牌消耗分别降低了92.4%和99.5%。这些结果表明，SLICE-Mem能够在大幅降低对基于LLM的记忆构建依赖的情况下，有效保存有助于长期记忆的有用信息。