ScrapMem：经光学遗忘的端侧个性化智能体记忆仿生框架

摘要

LLM智能体的长期个性化记忆在资源受限的边缘设备上因高存储成本与多模态复杂性而困难。为此我们提出ScrapMem：把多模态数据整合为「剪贴簿页」的框架。ScrapMem引入光学遗忘（Optical Forgetting）——一种光学压缩机制，逐步降低旧记忆的分辨率，降低存储成本同时抑制低价值细节。为保持语义一致性，我们构建情景记忆图（EM-Graph），把关键事件组织为因果-时序结构。多模态ATM-Bench上的大量实验展示ScrapMem的三大收益：(1)强劲性能：以51.0%的Joint@10创下新SOTA；(2)高存储效率：经光学遗忘最高降低93%内存占用；(3)更优召回：经结构化聚合把Recall@10提升到70.3%。ScrapMem为多模态LLM智能体的端侧长期记忆提供有效且省存储的方案。

ScrapMem：经光学遗忘的端侧个性化智能体记忆仿生框架：论文配图 — 图 1：人类记忆（CLS 理论）和剪贴簿记忆之间的比较。上图：海马体快速编码多模态情景经验，而新皮质逐渐将它们巩固为稳定的长期知识。底部：ScrapMem 同样将异构用户数据绑定到剪贴簿页面中，并通过光学遗忘逐步压缩旧记忆，保留核心语义，以便在边缘设备上进行高效检索和个性化推理。