MINDSET：面向长对话智能体的能量式记忆演化

MINDSET 用显式记忆状态转移处理对话知识更新。

资讯摘要

论文提出 MINDSET，一种通过显式状态转移管理对话记忆的控制器：保留原始对话片段并组织为带版本的 schema，对新片段选择强化、取代、建立上下文分支或新建 schema，并用局部能量分数平衡一致性、矛盾、历史保留与碎片化。作者报告在 700 题 LoCoMo 子集上取得六个系统中最高答案 F1，检索排序优于 LightMem；在 LongMemEval 知识更新题上零调参获得 69.23% 判定准确率，Vector RAG 为 64.10%。

要点速读

1. MINDSET 用显式状态转移区分事实更新、上下文变化与孤立矛盾，并以稳定性规则防止孤立冲突立即替换既有记忆。
2. 在冻结的 700 题 LoCoMo 子集上，作者报告其答案 F1 为六个评估系统中最高，检索排序显著优于 LightMem。
3. 在 LongMemEval 全部知识更新题上零调参取得 69.23% 判定准确率，Vector RAG 为 64.10%；另用 Gemma-4-31B 与 GLM-4.7 作为答案模型骨干提供泛化证据。

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 2026/11/5 08:00:38（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。