HingeMem：边界引导长期记忆与查询自适应检索可扩展对话

长期记忆对于支持持续、可持续和个性化交互的对话系统至关重要。然而，现有的方法依赖于连续摘要或基于 OpenIE 的图构造以及固定的 Top-\textit{k} 检索，导致跨查询类别的适应性有限且计算开销较高。在本文中，我们提出了 HingeMem，一种边界引导的长期记忆，它可操作事件分割理论，通过边界触发的超边缘构建一个可解释的索引界面，涉及四个元素：人、时间、位置和主题。当任何此类元素发生变化时，HingeMem 会绘制边界并写入当前段，从而减少冗余操作并保留显着上下文。为了在不同的信息需求下实现稳健、高效的检索，HingeMem 引入了查询自适应检索机制，共同决定 (a) \textit{要检索什么}：确定元素索引内存上的查询条件路由； (b) \textit{检索多少}：根据估计的查询类型控制检索深度。 LOCOMO 上 LLM 规模（从 0.6B 到生产层模型；\textit{e.g.}、Qwen3-0.6B 到 Qwen-Flash）的广泛实验表明，HingeMem 比没有查询类别规范的强基线实现了大约 20\%$ 相对改进，同时降低了计算成本（与 HippoRAG2 相比，68\%$\downarrow$ 问答词元成本）。除了先进的内存建模之外，HingeMem 的自适应检索功能使其非常适合需要在扩展交互中提供高效且值得信赖的内存的 Web 应用程序。