arXiv 提出 SLICE-Mem：轻量 LLM 智能体记忆框架
原文标题：SLICE-Mem: Salience-Gated Lightweight Information Curation for Efficient LLM Agent Memory
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。
SLICE-Mem 结合显著性门控准入与谓词中心信息抽取，用小型分类器筛选值得保留的用户轮次，在线流程无需生成式 LLM 调用。在 Memora Weekly 与 LongMemEval-S 上，相比 MemOS 基线保持相近准确率的同时，LLM token 消耗分别降低 92.4% 与 99.5%。
- 问题
- LLM 智能体长期记忆的准入与抽取反复调用生成式模型，成本与延迟高。
- 方法
- 用小分类器做显著性门控准入，基于语义依存抽取谓词条目，在线流程不调用生成式 LLM。
- 结果
- Memora Weekly 46.60 对 46.68 FAMA，LongMemEval-S 56.8% 对 59.3%，token 消耗降 92.4% 与 99.5%。
- 影响
- 记忆构建成本降两个数量级且精度基本不损，适合大规模部署个性化智能体。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SLICE-Mem用分类器替代生成式LLM做记忆准入，token消耗降92.4%与99.5%
- •框架结合显著性门控准入与谓词中心抽取，在线流程不含生成式LLM调用
- •跨条目整合被推迟到离线阶段，在线只做筛选与抽取
- •Memora Weekly上FAMA为46.60，对比MemOS基线46.68，基本持平
- •LongMemEval-S准确率56.8%，低于基线59.3%，约差2.5个百分点
- •token消耗分别降低92.4%和99.5%，实验用Qwen 8B与30B骨干
为什么重要：长期记忆的构建成本是智能体规模化的主要开销之一，这条给出了「准确率略降换近乎零的在线LLM调用」的明确取舍数据。
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。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。