不要向后滚动：用于流媒体对话摘要的缺失证据记忆

现代平台的用户反复需要最近对话的摘要，但窗口很少包含足够的上下文来自行解释。我们将这种设置形式化为流式对话摘要，其中系统必须在固定预算下使用来自无限历史记录的选择性内存来总结当前窗口。我们表明，核心挑战不是访问了多少历史记录，而是内存是否恢复了当前窗口预设的证据。我们构建了一个基准和评估协议，分别评估记忆是否包含解决差距的证据以及生成的摘要是否反映了它。我们提出了 ReMEMBER，一种缺失证据记忆框架，它对未解决的窗口依赖性进行检索，并在固定预算下将检索到的块细化为证据密集记忆。对最多 160K 个 token 的历史对话进行的实验表明，在相同预算下，ReMEMBER 比内存构建基线提高了记忆回忆和间隙分辨率完整性。