论文
记忆规范化：持久LLM记忆中跨模型漂移的框架和基准
Memory Canonicalization: A Framework and Benchmark for Cross-Model Drift in Persistent LLM Memory
摘要
大语言模型 (LLM) 的持久记忆已经迅速成熟：MemGPT/Letta、Mem0 和 Zep 等系统现在为智能体提供分层、时间感知、模型无关的外部存储，而模型上下文协议 (MCP) 标准化了对记忆服务器的访问。一个较少解决的问题是，在其他相同的条件下由两个不同的LLM检索相同的存储记忆对象，无论是在事实上还是在情感上，可能不会以相同的方式进行解释。本文提出了记忆规范化：一种写入时管道，可检测原始记忆对象中的歧义、条件结构和情感负载，并将其重写为明确的、结构上消除歧义的规范形式，其中情感效价表示为单独的字段，而不是从语气推断。我们正式化了管道，定义了一个配套的跨模型语义漂移/情感一致性评分基准 (CMSC-E)，并报告了使用 176 个合成记忆对象和三个下游模型系列的三臂试点的结果。我们发现，相对于原始记忆，完全规范化的记忆的跨模型情感一致性有未经校正的改进（+0.050，95% bootstrap CI [0.013, 0.086]，配对 t 检验 p = 0.010），但在测试的 6 个比较中，该结果无法通过 Bonferroni、Holm 或 Benjamini-Hochberg 校正。在任何校正水平上，事实漂移 (CMSD) 比较均未达到显着性。我们将这些结果报告为探索性而非验证性的，并概述了所需的后续工作，包括更大的样本、独立的判断模型、人工验证的渲染和预注册。