Долговременная память помогает LLM-агентам сопровождать пользователя персонально и с учётом времени. Однако приём, извлечение и упорядочивание воспоминаний часто требуют многократных обращений к модели, а это увеличивает затраты и время ожидания. Согласно публикации на arXiv (раздел cs.CL), SLICE-Mem направлен именно на эту проблему.
Что такое SLICE-Mem?
SLICE-Mem — это лёгкий фреймворк памяти для LLM-агентов. Он объединяет две идеи: приём информации, ориентированный на значимость (салиентность) высказывания, и извлечение, построенное вокруг предиката, то есть ядра утверждения.
Как работает SLICE-Mem?
Компактный классификатор решает, какие реплики пользователя стоит сохранять. Экстрактор на основе семантических зависимостей превращает эти реплики в краткие записи памяти. Этот онлайн-конвейер обходится без генеративных вызовов LLM.
Сопоставление нескольких записей между собой, например для устранения пересечений, перенесено в последующую офлайн-консолидацию. Так трудоёмкая работа не приходится на время самого разговора.
Что показывают тесты?
Тестирование проводилось на части Weekly набора Memora и на LongMemEval-S. Для построения и консолидации использовались модели Qwen размером 8B и 30B. В качестве сравнения авторы приводят MemOS — генеративную систему памяти — в конфигурации Qwen3-30B в каждом случае.
- Memora Weekly: 46,60 против 46,68 FAMA (Forgetting-Aware Memory Accuracy).
- LongMemEval-S: 56,8 % против 59,3 % точности.
- Общий расход токенов LLM снижается на 92,4 % и 99,5 % соответственно.
Что SLICE-Mem значит для пользователей?
Результаты указывают на то, что полезные сведения для долговременной памяти можно сохранять со значительно меньшим числом обращений к модели. Для команд, которые запускают агентов, это может означать меньшие затраты и более короткое время ожидания.
Вместе с тем сравнение на LongMemEval-S показывает небольшое отставание по точности. Поэтому тем, кто рассматривает такой метод, стоит проверить его на собственных задачах, а не полагаться только на значения бенчмарков.
