arXiv cs.AI· Xinle Deng, Ruobin Zhong, Hujin Peng, Xiaoben Lu, Yanzhe Wu, Guang Li, Buqiang Xu, Yunzhi Yao, Jizhan Fang, Haoliang Cao, Junjie Guo, Yuan Yuan, Ziqing Ma, Yuanqiang Yu, Rui Hu, Baohua Dong, Hangcheng Zhu, Ningyu Zhang·· 9 天前AI 评分27
MemTrace：追踪与归因大语言模型记忆系统中的错误
MemTrace: Tracing and Attributing Errors in Large Language Model Memory Systems
AI 导读
研究者提出 MemTrace 框架，将 LLM 记忆流水线转化为可执行的记忆演化图，实现操作级信息流的细粒度追踪，并构建了覆盖 Long-Context、RAG、Mem0、EverMemOS 等记忆系统的 MemTraceBench 基准。
正文 · AI 翻译
作者：Xinle Deng、Ruobin Zhong、Hujin Peng、Xiaoben Lu、Yanzhe Wu、Guang Li、Buqiang Xu、Yunzhi Yao、Jizhan Fang、Haoliang Cao、Junjie Guo、Yuan Yuan、Ziqing Ma、Yuanqiang Yu、Rui Hu、Baohua Dong、Hangcheng Zhu、Ningyu Zhang
摘要：记忆对于使大语言模型支持长时程推理至关重要，然而现有的记忆系统仍不可靠且难以调试。追踪记忆的动态演化对于理解信息如何随时间被综合、传播或损坏至关重要。在本工作中，我们研究了 LLM 记忆系统中错误追踪与归因这一新问题。我们提出了一种新颖的框架，将记忆流水线转换为可执行的记忆演化图，从而实现对操作信息流的细粒度追踪。随后，我们构建了 MemTraceBench，这是一个从 Long-Context、RAG、Mem0 和 EverMemOS 等代表性记忆系统中收集的基准，用于系统性地研究记忆失效模式。我们进一步引入了一种自动归因方法，该方法迭代地追踪操作子图，以精确定位任何失败案例的根本原因。我们的分析揭示，记忆失效是系统性的，源于信息丢失和检索错位等操作层面的问题。至关重要的是，我们利用这些细粒度的归因信号来指导下游提示优化，建立了一个闭环系统，可自动纠正故障并将端任务性能提升最多 7.62 个百分点。代码已发布于 this https URL。
| 评论： | 正在进行的工作 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.28732 [cs.CL] |
| （或 arXiv:2605.28732v4 [cs.CL] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2605.28732 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ningyu Zhang [查看邮箱]
[v1]
2026年5月27日星期三 16:53:53 UTC（6,833 KB）
[v2]
2026年7月5日星期日 04:42:33 UTC（6,835 KB）
[v3]
2026年7月16日星期四 08:06:40 UTC（6,865 KB）
[v4]
2026年10月8日星期四 04:00:52 UTC（6,883 KB）
来源：arXiv cs.AI · arxiv.org