ICLR2026|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记忆检索不完整和噪声干扰的问题，提出了一种名为MemGAS的多粒度记忆增强框架。背景方面，现有基于大语言模型的对话系统受限于上下文窗口长度和单一粒度记忆建模，难以有效关联跨会话信息。研究目的在于通过构建会话级、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建立动态关联，同时设计基于熵的自适应粒度选择机制，以优化记忆检索的完整性和准确性。实验结果表明，MemGAS在多个长期记忆基准数据集上显著超越了现有方法，在问答和检索任务中均表现出色，有效提升了对话智能体在长期交互中的性能。