SaliMory：为对话代理编排认知记忆
SALIMORY是一个新框架，通过训练单一语言模型管理结构化认知记忆（包括用户事实、偏好和工作记忆），解决了对话代理长期记忆难题。它引入分层阶段过程奖励和奖励分解对比细化，端到端监督选择性过滤、整合和线索驱动回忆等操作。该方法将记忆相关故障减少三分之一，端到端准确率提升超10%，良好个性化率翻倍。
对话代理作为终身伴侣，必须在所有交互中维持持久记忆。然而，现有方法存在两难：简单地扩展上下文窗口并直接进行原始检索会降低推理质量，因为模型需要处理大量无关信息；而通过标准强化学习训练记忆代理则会在多阶段流程中造成严重的信用分配瓶颈，因为很难确定哪个阶段的决策导致了最终的成功或失败。为了从根本上解决这些问题，研究者提出了SALIMORY框架。
SALIMORY的核心思想是训练一个单一语言模型来管理认知结构化的记忆，这种记忆包括三个层次：用户事实（如姓名、生日）、用户偏好（如喜欢的音乐类型）以及工作记忆（当前会话的上下文）。通过引入分层阶段过程奖励和奖励分解对比细化，SALIMORY能够为三个关键的记忆操作——选择性过滤、整合和线索驱动回忆——提供独立且细粒度的监督信号。选择性过滤负责决定哪些信息值得记忆，整合负责将新信息融入已有知识结构，而线索驱动回忆则是在需要时准确提取相关信息。这种端到端的设计避免了传统流水线中每个模块独立训练导致的错误积累。
在实验评估中，SALIMORY展现出了显著优势：与最先进的基线相比，记忆相关故障减少了三分之一，端到端准确率提高了超过10%，良好个性化率更是翻了一倍以上。这些成果由Kai Zhang等14位作者共同完成，论文于2026年6月2日提交至arXiv，属于计算与语言和人工智能交叉领域。SALIMORY的成功表明，通过认知结构的记忆管理和精细化的奖励设计，可以大幅提升对话代理的记忆能力，为构建真正个性化和长期记忆的AI伴侣奠定了重要基础。