MemReranker：用于智能体记忆检索的推理感知重排序

在智能体记忆系统中，重排序模型充当连接用户查询与长期记忆的关键桥梁。大多数系统采用“检索然后重新排序”的两阶段范式，但通用重新排序模型依赖于语义相似性匹配，缺乏真正的推理能力，导致召回结果在语义上高度相关但不包含回答问题所需的关键信息。这种缺陷在记忆场景中表现为三个具体问题。首先，相关性分数被错误校准，使得基于阈值的过滤变得困难。其次，当面临时间限制、因果推理和其他复杂查询时，排名会下降。第三，该模型无法利用对话上下文进行语义消歧。本报告介绍了 MemReranker，这是一个通过多阶段 LLM 知识蒸馏 在 Qwen3-Reranker 上构建的重排序模型系列（0.6B/4B）。多教师成对比较生成校准的软标签，BCE 逐点 蒸馏 建立分布均匀的分数，InfoNCE 对比学习增强硬样本辨别力。训练数据将通用语料库与特定于记忆的多轮对话数据相结合，涵盖时间约束、因果推理和共指解析。在记忆检索基准上，MemReranker-0.6B 大幅优于 BGE-Reranker，并在关键指标上与开源 4B/8B 模型以及 GPT-4o-mini 相匹配。 MemReranker-4B 进一步实现了 0.737 MAP，多项指标与 Gemini-3-Flash 相当，同时推理延迟仅为大型模型的 10--20%。在金融和医疗保健垂直领域基准上，这些模型保留了与主流大参数重排序器相当的泛化能力。