SLICE-Mem 是一篇提交於 2026 年 10 月 8 日的 arXiv 論文，作者為 Xiaobin Chen 等五位研究者，隸屬 cs.CL 與 cs.AI 領域。論文關注大型語言模型智能體在長期交互中的記憶構建成本問題，提出一種名為 SLICE-Mem 的輕量記憶框架，核心思路是將記憶准入、抽取與組織從反覆的生成式 LLM 推理中解耦出來。
長期記憶讓 LLM 智能體能夠維持個性化、時間上連貫的對話體驗，但傳統做法在記憶准入、信息抽取和記憶組織等環節反覆調用 LLM，帶來可觀的成本與延遲。SLICE-Mem 針對這一瓶頸設計了兩段式在線管道：首先由一個緊湊分類器判斷哪些用户輪次值得保留，完成顯著性引導的記憶准入；隨後由基於語義依存的抽取器把被准入的輪次轉換為簡潔的記憶條目。整個在線流程不調用生成式 LLM，跨條目的協調與整合則被推遲到離線鞏固階段處理。
在評估方面，作者在 Memora 的每週子集和 LongMemEval-S 兩個基準上測試 SLICE-Mem，並使用 8B 與 30B 的 Qwen 骨幹模型分別完成記憶構建和鞏固。與生成式記憶基線 MemOS 在 Qwen3-30B 配置下的對比顯示，SLICE-Mem 在線管道在 Memora Weekly 上取得 46.60 的 FAMA（遺忘感知記憶準確率），基線為 46.68；在 LongMemEval-S 上準確率為 56.8%，基線為 59.3%。兩項指標雖略有下降，但差距較小。
更引人注目的是效率收益：相同對比下，SLICE-Mem 將總 LLM token 消耗分別降低 92.4% 和 99.5%。這表明該框架能夠在顯著減少對 LLM 記憶構建依賴的同時，仍為長期記憶保留有用的證據。論文的結論強調，輕量化的准入與抽取策略可以在接近生成式基線的準確率水平上運行，為智能體長期記憶提供了一種更具成本效益的替代路徑。