arXiv新框架MemoryLACE：显式建模证据生命周期，长时记忆推理性能提升且运行时间缩短66.6%
该轻量级框架通过稀疏合并、取代和矛盾三类关系组织文本证据，在BEAM和StructMemEval基准上达到同骨干网络最优性能。
AI解读：长时LLM智能体需要在多次交互中保留信息，同时分辨重复证据、历史状态、更新内容和未解决的矛盾。现有文本记忆系统虽能高效检索语义相关记忆，但这些关系往往是隐式的；而结构更复杂的方法虽能建模这些关系，却带来更高的复杂度。MemoryLACE的核心思路是：不构建全局知识图谱或进行全局反思，只对每条文本证据的“生命周期”做局部显式建模——用稀疏合并、取代和矛盾三类关系连接证据，保留原子化的自然语言记忆及其来源。检索时不再孤立地取回记忆，而是重构出包含当前、历史、支持和冲突证据的证据单元，供下游推理使用。在BEAM和StructMemEval两个基准上，使用开源权重和专有LLM骨干网络，MemoryLACE在同骨干网络对比中取得最高总体性能，并在BEAM上将端到端运行时间相对最强反思式基线Hindsight缩短66.6%。消融研究显示，生命周期扩展和时间感知是性能提升的主要贡献因素。对构建长时记忆系统的开发者而言，这个框架提供了一条低复杂度路径：在不需要全局图或全局反思的情况下，也能显著改善长时记忆推理。不过，结果仍基于基准测试，实际应用中的效果和限制需在具体场景中验证。
arXiv 9月2日发布的一篇计算语言学论文介绍了一种名为MemoryLACE（MemLACE）的轻量级记忆框架，用于显式建模文本证据的生命周期。该框架在BEAM和StructMemEval两个基准上，使用开源权重和专有LLM骨干网络，均达到同骨干网络对比中的最高总体性能。
框架设计与机制
MemoryLACE通过稀疏合并（merge）、取代（supersession）和矛盾（contradiction）三类关系，显式建模文本证据的生命周期，同时保留原子化的自然语言记忆及其出处（provenance）。
与独立检索记忆不同，MemLACE会重构出包含关系感知的证据单元，为下游推理暴露当前证据、历史证据、支持证据和冲突证据。
论文作者来自慕尼黑工业大学等机构，包括Meriem Yacoubi、Pia Schmidt、Nenad Petrovic、Ahmed Frikha、Martin Kirchhoff和Alois Knoll。
性能与效率结果
在BEAM基准上，MemoryLACE的端到端运行时间相对最强反思式基线Hindsight缩短了 66.6%。
消融研究识别出生命周期扩展（lifecycle expansion）和时间感知（temporal awareness）是性能提升的主要贡献因素。
作者总结称，显式建模文本证据的局部生命周期，足以显著改善长时记忆推理，而无需构建全面的知识图谱或进行全局反思。