论文提出LSTMem：为冻结LLM各层加入LSTM式在线记忆
热点事件观察中
论文提出LSTMem：为冻结LLM各层加入LSTM式在线记忆
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
Xianglong Shi等人在arXiv发布论文，提出LSTMem方法：为冻结的大语言模型每层加入由细胞状态和隐藏状态组成的LSTM式在线记忆，细胞状态积累历史，隐藏状态的读出用于修正主干注意力，将历史积累与当前计算中的记忆表达分离。 论文摘要称，在Qwen3-4B-Instruct上，该方法在MemoryAgentBench、LoCoMo和HotpotQA基准中持续优于基础模型，并优于关联记忆对照；消融显示移除跨层隐藏记忆传播会降低性能。代码已公开。以上结果为论文摘要声称，仅涉及该模型与这些基准，本站未核验全文。
AI 根据报道生成 · 1 天前更新
最新进展10月20日 12:00
LSTMem提出面向大语言模型的分层长短期在线记忆报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · cs.AILSTMem提出面向大语言模型的分层长短期在线记忆
LSTMem为冻结的大语言模型各层加入由细胞状态和隐藏状态组成的在线记忆，将历史积累与当前计算中的记忆表达分离。论文摘要称，该方法在Qwen3-4B-Instruct上的MemoryAgentBench、LoCoMo和HotpotQA基准中持续优于基础模型，并优于关联记忆对照；移除跨层隐藏记忆传播会降低性能，代码已公开于https://github.com/Longchentong/LSTMem。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 610月21日 06:00
- 近 24 小时变化
- -49%
0246
06:0012:0018:0010月22日06:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。