事实作为一等对象：用于LLM持久记忆的知识对象

大型语言模型越来越多地充当持久性知识工作者，而上下文内记忆——即存储在提示中的事实——是默认策略。我们将上下文内记忆与知识对象（Knowledge Objects, KO）进行基准对比，后者是具备O(1)检索能力的离散哈希寻址元组。在上下文窗口内，Claude Sonnet 4.5在10至7,000条事实（占其200K窗口的97.5%）范围内达到100%的精确匹配准确率。然而，生产部署暴露出三种失效模式：容量限制（8,000条事实时提示溢出）、压缩损失（摘要化破坏60%的事实）以及目标漂移（级联压缩侵蚀54%的项目约束，而模型仍满怀信心地继续执行）。KOs在所有条件下均达到100%准确率，且成本降低252倍。在多跳推理上，KOs达到78.9%，而上下文内记忆仅为31.6%。在四个前沿模型上的跨模型复现证实，压缩损失是架构性的，而非特定模型所致。我们还表明，嵌入检索在对抗性事实上会失效（precision@1为20%），而神经记忆（Titans）虽能存储事实却无法按需检索。我们引入密度自适应检索作为切换机制，并发布了基准测试套件。