arXiv cs.AI·53 天前★ 3

Fortunate Recall：面向 LLM 持久一致性的本体驱动记忆生命周期管理

原文标题：Fortunate Recall: Ontology-Driven Memory Lifecycle Management for Persistent Coherence in LLMs

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出 Fortunate Recall 策略层，将个人事实按 10+1 行为本体分类并施加差异化生命周期策略，解决 LLM 记忆无界增长与检索精度下降问题。其实现 FR-Bank 在 LifecycleBench 上通过率 76.9%，领先 Mem0、A-MEM 等基线，并将幻觉率从 Mem0 的 45.1% 降至 22.4%，同时正确回答更多问题。消融显示通用生命周期元数据带来正确率优势，而行为本体主要负责校准，该分解在 BEAM 基准与 Kimi K2.5 上可复现。

论文速读 · 四段结构cs.CL去论文速读 →

问题: LLM 记忆系统对所有个人事实一视同仁，存储无界增长且检索精度下降。
方法: 按 10+1 行为本体分类事实并施加差异化生命周期策略（时间衰减、槽位替换、事件时效、分类路由），作为确定性策略层叠加在 LLM 抽取的元数据上。
结果: LifecycleBench 通过率 76.9%，领先 Mem0 等基线（61%–70.5%）；幻觉率从 Mem0 的 45.1% 降至 22.4%；LongMemEval-S 达 75.2%。
影响: 做长期记忆 Agent 的团队可直接复用该策略层，在不牺牲标准检索的前提下显著降低编造内容。

深读 · 结论先行AI 生成展开看要点与影响 ↓

FR-Bank在LifecycleBench通过率76.9%，幻觉率从Mem0的45.1%降至22.4%

•将个人事实按10+1行为本体分类，施加差异化衰减、槽位取代、事件时效与检索路由策略
•LifecycleBench为516题时间消歧基准，FR-Bank 76.9%领先Mem0、A-MEM、Memory-R1、MemoryOS的61%–70.5%
•LongMemEval-S上达75.2%，说明生命周期策略未对标准检索造成可测代价
•消融：换成三个通用生命周期原语正确率统计不变（-1.7pp），行为本体主要负责校准，幻觉12.0%对24.2%

为什么重要：对长期记忆型助手有直接价值：正确率提升主要来自通用生命周期元数据，行为本体买的是校准与更少编造。

以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。

所属主题基准测试5

#学术研究 #记忆管理 #本体 #长上下文 #幻觉抑制 #基准测试

阅读原文 +0

AI 处理过程展开/收起

原始标题：Fortunate Recall: Ontology-Driven Memory Lifecycle Management for Persistent Coherence in LLMs

AI 中文标题：Fortunate Recall：面向 LLM 持久一致性的本体驱动记忆生命周期管理

来源：arXiv cs.AI · 发布于 53 天前

分类：学术研究 · AI 重要度：★ 3（3）

标签：记忆管理 / 本体 / 长上下文 / 幻觉抑制 / 基准测试

关键词：memory lifecycle / ontology / LLM memory / confabulation