arXiv cs.CL· Pengfeng Song, Yunkai Zhuang, Liye Shi·· 2 天前AI 评分27
TEM：面向大语言模型智能体的时序状态追踪记忆框架
TEM: Temporal State Tracking Memory for Large Language Model Agents
AI 导读
研究者提出免训练框架 TEM（Temporal State Tracking Memory），将事实存为带版本、关联来源的记录，按来源顺序排列并标注历史记录后再交给答案模型。
正文 · AI 翻译
摘要：随着信息在对话之间发生变化，智能体的记忆必须保持有用。一个新事实可能取代先前的值，但不会使该值对后续问题失去意义。我们提出了时序状态跟踪记忆（TEM），一个无需训练的框架，用于跟踪这些变化。TEM 将事实存储为与其来源相关联的版本化记录。它检索相关版本，按来源顺序排列，并在将证据传递给答案模型之前标记历史记录。事件记忆和原始对话轮次提供了结构化事实中缺失的细节。我们在来自 600 个会话、涉及 60 个人物的 420 个问题上评估了 TEM。在四个开放权重模型上，关键实体命中率总体达到 75.71-97.62%，在历史居住地子集上达到 96.67-100.00%。在原本相同、按来源排序的事实上添加历史标签，使总体命中率提高了 17.14-55.95 个百分点。证据很紧凑：每个答案 94-118 个 token，比会话感知检索增强生成（RAG）少 48.75-56.73%。在 1,540 个 LoCoMo 问题上的进一步评估在固定证据预算下测试了混合记忆。TEM 在两种骨干模型上均超过了会话感知 RAG；保守的分数差异分别为 7.92 和 10.58 个百分点。这些结果支持在回答关于反复更新信息的问题时，保留事实版本并向生成器暴露其时间状态。
| 评论： | 16 页，5 张图，8 张表 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.21900 [cs.CL] |
| （或 arXiv:2610.21900v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21900 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pengfeng Song [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 13:54:31 UTC（309 KB）
来源：arXiv cs.CL · arxiv.org