arXiv · cs.AI· Adibvafa Fallahpour, Parsa Idehpour, Vignesh Kothapalli, Nikita Mounier, Shirley Wu, Shayan Pardis, Jure Leskovec·· 6 小时前
Memorilla：用潜在语义记忆增强冻结式大语言模型
Memorilla: Latent Semantic Memory for LLMs
arXiv:2610.21375v1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：Adibvafa Fallahpour, Parsa Idehpour, Vignesh Kothapalli, Nikita Mounier, Shirley Wu, Shayan Pardis, Jure Leskovec
研究任务与主要进展
Memorilla 将整个文档集合编码为可复用嵌入，并为查询生成固定数量的记忆 token，使冻结式 LLM 在短上下文中调用相关信息。基于论文摘要，该方法在 8 个基准中的 5 个上对 Mem0 和 MemoRAG 取得最佳表现；在 FactKG 上准确率达到 84.33%，高于全上下文推理的 80.43%，同时用少 108 倍的 token 表示源文档。
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