T²Mem：测试时记忆构建框架提升 LLM 长程问答
原文标题：Test-Time Memory Construction
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。
论文提出 T²Mem，将记忆构建推迟到推理阶段，离线仅提取轻量级片段元数据作为检索线索，测试时随推理进程逐步构建查询专属记忆。在 LoCoMo 与 LongMemEval 上，该方法在多种基座 LLM 上稳定超越强基线，并显著降低记忆构建开销。
- 问题
- 长对话历史问答中，离线构建记忆开销大且无法适配具体查询。
- 方法
- 把记忆构建推迟到推理阶段，离线只抽轻量片段元数据作检索线索，测试时随推理逐步构建查询专属记忆。
- 结果
- 在 LoCoMo 与 LongMemEval 上稳定超越强基线，并显著降低记忆构建开销。
- 影响
- 长上下文记忆系统可省去昂贵的离线索引，按查询动态组装，直接降低部署成本与延迟。
深读 · 结论先行AI 生成展开看要点与影响 ↓
T²Mem 把记忆构建推迟到推理阶段，长程问答稳定超基线且降开销
- •离线仅提取轻量级片段元数据作为检索线索，保留原始交互链接
- •测试时随推理进程逐步构建查询专属记忆
- •在 LoCoMo 与 LongMemEval 上，多种基座 LLM 均稳定超越强基线
- •显著降低记忆构建开销，并能动态适配单个查询的信息需求
为什么重要：长对话记忆系统的离线构建开销一直是落地瓶颈，该思路把成本转移到推理时，对做长期记忆产品的团队有借鉴意义。
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。