arXiv · cs.AI· Yufeng Li, Shuxin Li, Zhenhua Xu, Junxian Li, Peng Zeng, Sheng Yao, Changting Lin, Gaolei Li, Ran Bi, Meng Han·· 1 天前
BFR通过证据充分性构建提升长期记忆问答覆盖度
Relevance Is Not Sufficiency: What Actually Closes the Evidence Gap in Long-Term Memory QA
arXiv:2610.09348v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Yufeng Li, Shuxin Li, Zhenhua Xu, Junxian Li, Peng Zeng, Sheng Yao, Changting Lin, Gaolei Li, Ran Bi, Meng Han
首次提交：2026-10-07 11:09
研究任务与主要进展
论文提出Budgeted Flat Reconstruction（BFR），用于解决长期记忆问答中检索结果虽相关却遗漏互补事实的问题。BFR先用Formal Concept Analysis for Memory Selection分解问题的信息需求，再在固定扁平记忆库中通过更深的文本搜索及实体、会话视图逐步获取记录，直至预算耗尽。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org