大型语言模型（LLM）在处理长对话时，由于上下文窗口有限，常常在压缩历史记录时丢弃关键细节，导致后续回答出现事实性错误。为了解决这一问题，来自研究团队提出了一种名为LANTERN（Layered Archival and Temporal Episodic Retrieval Network）的轻量级记忆层。该网络通过分层归档和时间情景检索机制，主动保存每一轮对话的完整信息，并在上下文压缩后通过混合检索快速恢复相关细节。整个流程无需任何LLM调用，每轮对话仅增加不到25毫秒的延迟，极大地降低了推理成本。
在评估中，团队使用了94个真实多轮对话数据集，包含1894个经过人工验证的事实（kappa系数为0.81，表示高度一致）。实验结果显示，LANTERN的重排序版本（LANTERN-Rerank）成功恢复了78.3%因压缩而丢失的可验证事实，显著优于对MemGPT的忠实复现（后者恢复率为72.4%）。统计检验表明，这一优势具有高度显著性（Wilcoxon p<0.0001，95%置信区间[+3.1, +8.6]个百分点，Cohen's d=0.43），并且所需的推理成本远低于MemGPT。即使不使用重排序器，基础的LANTERN也能在零LLM调用的情况下达到或超越这一基线（p=0.005），展示了其高效性。
更重要的是，当四种不同架构的生产级LLM（包括GPT系列、Llama等）使用LANTERN恢复的上下文来回答事实性问题时，它们的准确率平均提高了8.4个百分点，且每种模型单独通过Wilcoxon检验（p<0.05）。这表明恢复的上下文不仅质量高，而且在不同模型之间具有通用性，能够显著提升对话系统的可靠性。
为了支持可重复性和未来研究，作者还发布了完整的评估框架，包括配对显著性检验、失败分析、事实类型分层（如实体、关系、事件等）以及压缩鲁棒性分析。LANTERN为长上下文LLM对话提供了一种高效、轻量且无需额外LLM调用的解决方案，有望在智能客服、虚拟助手等场景中广泛应用。