ICLR 2026 | 告别单一记忆粒度！MemGAS 让智能体不再“转头就忘”

本文针对对话智能体在长期对话中面临的记忆挑战，提出了一种多粒度增强记忆框架MemGAS。背景是传统基于单一粒度（如会话级或轮次级）的记忆建模难以建立跨会话关联，导致关键信息检索不完整和冗余噪声干扰。研究目的是通过构建会话级、轮次级、摘要级和关键词级等多粒度记忆，并利用高斯混合模型动态建立跨粒度关联，同时设计基于熵的自适应路由机制为不同查询选择最合适的记忆粒度，从而从冗长历史中精准定位和整合关键信息。结论表明，MemGAS在多个长期记忆基准数据集上的问答与检索性能均显著超越现有方法，有效兼顾了信息完整性与噪声抑制，提升了长期对话场景下的连贯性与个性化回复能力。