ConvMemory：轻量级学习记忆重排器、负面归因结果和研究预览冲突编辑器

我们描述了 ConvMemory，这是一个用于会话长期记忆检索的小型 3.6M 参数学习重排序器，通过跨编码器教师监督对融合的密集和词汇特征进行训练。在 LongMemEval 内存系列上，ConvMemory 在 Recall@10 中以 12-47 倍的延迟在 BGE-large 交叉编码器之上运行，在 Clean500 上保持在 mxbai-rerank-large-v1 的 0.025 Recall@10 以内，同时运行成本便宜 28 倍；在 Stress1000 干扰因素下，Recall@10 差距扩大至 0.081，但 ConvMemory 的运行延迟仍低 117 倍；这些 LongMemEval 数字是单次运行或单种子，并被报告为指示性成本前沿证据，而不是基准级别。然后，我们在先前声称的机制上发布了严格的负面归因结果：带有配对引导程序的五种子重新训练消融表明，ConvMemory 的学习时间窗口在聚合上具有统计显着性，但在时间上并不显着，对硬非时间控制的影响最大，对多跳时间查询没有显着影响。该机制的诚实描述是融合密集+词汇特征空间中的廉价交叉编码器 蒸馏，而不是时间结构利用。我们还发布了 CCGE-LA，这是一个基于 ConvMemory 的低幅度冲突感知候选集编辑器，作为研究预览，在 LoCoMo 上的取代和陈旧/救援切片方面取得了适度但持续的收益。所有结果均处于检索阶段； ConvMemory 在绝对 LoCoMo MRR 中与 mxbai-rerank-large-v1 不匹配，并且该报告是单一作者且尚未经过独立审核。