SLICE-Mem：显著性门控的轻量LLM智能体记忆整理

轻量记忆框架以少量精度代价换取九成以上token节省

资讯摘要

论文提出 SLICE-Mem，一种轻量记忆框架，用紧凑分类器判断哪些用户轮次值得保留，再用基于语义依存关系的抽取器把入选轮次转成简洁记忆条目，在线流程不调用生成式 LLM，跨条目整合推迟到离线阶段。作者在 Memora Weekly 与 LongMemEval-S 上以 8B、30B Qwen 为骨干评测：Qwen3-30B 配置下在线流程 FAMA 为 46.60 对 MemOS 的 46.68，LongMemEval-S 准确率 56.8% 对 59.3%，LLM token 消耗分别减少 92.4% 和 99.5%。

要点速读

1. 在线记忆构建由紧凑分类器做显著性准入、语义依存抽取器生成条目，不调用生成式 LLM，跨条目整合放到离线阶段
2. 在 Memora Weekly 上 FAMA 为 46.60，对比 MemOS 的 46.68；LongMemEval-S 准确率 56.8%，对比 59.3%
3. 作者报告总 LLM token 消耗分别降低 92.4% 和 99.5%

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。