IMLogic 基准与 RootMem 框架：评测并增强个性化 LLM 的隐式逻辑记忆检索

论文提出 IMLogic 基准与 RootMem 框架，补足语义检索漏掉的逻辑记忆。

资讯摘要

论文指出个性化 LLM 的记忆检索主要依赖语义相似度，会漏掉语义重叠有限但逻辑关键的“语义偏转”记忆，现有基准对此评测不足。作者构建 IMLogic 长对话基准，每题围绕语义相关性与逻辑相关性的分歧设计，并提供可诊断语义偏转、幻觉与缺乏个性化的选项。论文提出 root memory 结构化表示与即插即用框架 RootMem，实验显示各检索方法与记忆系统仍面临挑战，RootMem 可稳定提升表现。

要点速读

1. 论文构建 IMLogic 基准，用于评测长对话中的隐式逻辑记忆检索，题目围绕语义与逻辑相关性的分歧设计。
2. 论文提出 root memory 结构化表示，用 LLM 推理从用户历史中提炼可复用、可引导回答的逻辑，并附支撑证据。
3. RootMem 为即插即用框架，构建并路由 root memory 以补充语义检索；实验显示其稳定提升表现，但仍有大量挑战未解决。

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。