MemStrata：使用本地 Qwen 3.8 27B Q4_K_M 读取器在 LongMemEval-500 和 LoCoMo-1540 上实现 95% 和 90.91% 的源感知准确度

适当的对话答案可能不同于简短或不完整的基准参考。为了根据记录的历史来衡量充分性，我们更喜欢源感知评分，其中法官在评估系统盲答案之前对照完整源检查参考；原始仅供参考的分级会同时报告。使用本地 Qwen 3.8 27B Q4_K_M 阅读器和 24,000-token证据上限，在源感知 GPT-5.5 裁决下，MemStrata CL1 在 LongMemEval-S 上得分为 475/500 (95.0%)，在 LoCoMo 类别 1-4 上得分为 1,400/1,540 (90.91%)，相同答案的仅供参考评分时，分别为 463/500 (92.6%) 和 1,205/1,540 (78.25%)。它保留检索骨干模型并添加非重复的、过时的、说话者归属的源范围。同一读者的完整历史对照，证据分数约为 4.7 倍，仅参考分数为 464/500，源感知分数为 470/500 (94.0%)；这两种差异都不是决定性的。相同预算下的仅关键字选择得分为 425，匹配的读取器 Letta 臂得分为 438。在 LongMemEval-M 上，数据包包含每个历史记录的约 1.6%，MemStrata CL1 得分为 427/500，损失集中在多会话和时间问题上。在 300 个 BEAM-1M 问题上，它的得分超过了密集检索，为 0.738 至 0.706（Wilcoxon p = 0.011）。未更改请求的相同种子重播改变了 1.5-2.3% 的标签。在相同的数据包上，GLM 5.3 闪存不差 3 分（462 比 463）； Muse Spark 1.3 在 269 个问题上没有表现出非劣效性。四项预先注册的干预措施均不符合其所有注册的进展或可行性标准。签名的读取端工件支持检查，但不会重新生成私有检索管道。来源感知评分相对于人工判断的优越性尚未确定，并且开发暴露、自动判断依赖以及留出数据的缺乏排除了独立复制或排行榜声明。