用户端内存中的基底不对称性：诊断框架

LLM 中的用户端内存通常被评分为单个“个性化”功能：给定用户的历史记录，输出是否更能感知用户？我们证明这个聚合指标隐藏了相反方向的故障。记忆至少分解为三个正交轴——行为一致性（风格、声音）、事实存在（回忆历史事实）和事实缺席（当事实不存在时放弃）——没有一个单一的基质能够赢得这三个轴。将每用户 gamma-LoRA（一个针对每个用户的历史进行训练的小型 LoRA 适配器；gamma 表示每个用户，而不是每个任务）与受控 50 个用户合成语料库和真实数据探针 (LaMP-3) 上的 BGE-大型密集 top-K 检索进行比较，我们发现 gamma-LoRA 决定性地赢得了行为风格，而 RAG 决定性地赢得了事实缺席——并且注意层 21-35 中的相同查询投影单元因果关系负载承受相反方向的两种效应（将这些 LoRA 权重归零会使缺席探针 TPR 提高 +33 pp，并使存在探针 TPR 下降 20 pp）。在经过更严格的 RLHF 调整的 Llama-3.1-8B-Instruct 上，不对称性加强了，而不是治愈了：参数记忆的行为优势崩溃了，而其针对检索的缺席校准赤字扩大了——对参数用户记忆的对齐税。在真实数据 LaMP-3 上，gamma-LoRA 的表现低于大多数基线； 9 条件缓解扫描将其诊断为指令跟随崩溃，而不是基板故障（9x2 叉积显示评估时间 {1..5} logits 掩码在每个配方上将 main_acc 驱动到 >=0.995），并且最佳训练时间修复在 Llama 上以位相同的方式复制。最后，基质选择路由是问题分类，而不是校准：仅针对问题文本的 110M DistilBERT 就击败了所有基于 logits 的路由器。我们提供诊断框架、诊断的真实数据阴性、对齐税复制和路由分类结果。