SLICE-Mem 是一篇提交于 2026 年 10 月 8 日的 arXiv 论文，作者为 Xiaobin Chen 等五位研究者，隶属 cs.CL 与 cs.AI 领域。论文关注大型语言模型智能体在长期交互中的记忆构建成本问题，提出一种名为 SLICE-Mem 的轻量记忆框架，核心思路是将记忆准入、抽取与组织从反复的生成式 LLM 推理中解耦出来。
长期记忆让 LLM 智能体能够维持个性化、时间上连贯的对话体验，但传统做法在记忆准入、信息抽取和记忆组织等环节反复调用 LLM，带来可观的成本与延迟。SLICE-Mem 针对这一瓶颈设计了两段式在线管道：首先由一个紧凑分类器判断哪些用户轮次值得保留，完成显著性引导的记忆准入；随后由基于语义依存的抽取器把被准入的轮次转换为简洁的记忆条目。整个在线流程不调用生成式 LLM，跨条目的协调与整合则被推迟到离线巩固阶段处理。
在评估方面，作者在 Memora 的每周子集和 LongMemEval-S 两个基准上测试 SLICE-Mem，并使用 8B 与 30B 的 Qwen 骨干模型分别完成记忆构建和巩固。与生成式记忆基线 MemOS 在 Qwen3-30B 配置下的对比显示，SLICE-Mem 在线管道在 Memora Weekly 上取得 46.60 的 FAMA（遗忘感知记忆准确率），基线为 46.68；在 LongMemEval-S 上准确率为 56.8%，基线为 59.3%。两项指标虽略有下降，但差距较小。
更引人注目的是效率收益：相同对比下，SLICE-Mem 将总 LLM token 消耗分别降低 92.4% 和 99.5%。这表明该框架能够在显著减少对 LLM 记忆构建依赖的同时，仍为长期记忆保留有用的证据。论文的结论强调，轻量化的准入与抽取策略可以在接近生成式基线的准确率水平上运行，为智能体长期记忆提供了一种更具成本效益的替代路径。