مقاله‌ی arXiv:2610.10265 · در صف خبرنامه
Stale, Misattributed, or Late: Where Personal Memory Fails Before Generation
کهنه، اشتباه نسبت‌داده‌شده یا دیر: حافظه‌ی شخصی ایجنت‌ها کجا پیش از تولید پاسخ شکست می‌خورد
- تاریخ
- (۱۵ مهر ۱۴۰۵) 2026-10-07 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Haonan Deng, Park Sinchaisri
- نهاد نویسنده‌ها
- University of California, Berkeley; Haas School of Business, University of California, Berkeley
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
حافظه‌ی شخصی ایجنت‌ها معمولاً با درستی پاسخ نهایی سنجیده می‌شود. این امتیاز خطاهایی را که پیش از تولید رخ می‌دهند پنهان می‌کند: بلوک حافظه ممکن است مقدار منسوخ داشته باشد، مثلاً آدرس قبلی کاربر، یا واقعیتی درباره‌ی شخص دیگری با همان نام، یا پیش از مهلت پاسخ هیچ واقعیت مفیدی نداشته باشد.
روش
نویسنده‌ها این شکست‌ها را مستقیم اندازه گرفتند و از «حافظه‌ی واقعیت شخصی» به عنوان لایه‌ی مرجع استفاده کردند. اعتبار زمانی، تفکیک هویت، خودداری و تأخیر سرویس‌دهی را جدا سنجیدند، روی یک بنچمارک بازنگری کنترل‌شده و روی LongMemEval و LoCoMo.
یافته‌ها
- اعتبار زمانی عمدتاً ویژگی ساخت حافظه است: سرویس‌دهی فقط مقدار فعال هر خانه‌ی درست‌کلیددار مواجهه با مقدار کهنه را حذف کرد، و بدون حل به‌روزرسانی ۷۰٫۳ درصد پرامپت‌ها مقدار جایگزین‌شده را نشان دادند؛ با انبار فعال یکسان، بازیابی ساده‌ی واژگانی با رتبه‌بند مرجع هم‌ارز بود.
- مسئله‌ی سخت‌تر نسبت دادن بازنگری به خانه‌ی درست است: چهار کلیدساز مدل زبانی بازخوانی کلید بیشتری از یک استخراج‌گر قاعده‌ای داشتند اما بازیابی تمیز کمتری دادند، و بازخوانی ادغام در LongMemEval هرگز از ۰٫۰۶۲ بیشتر نشد.
- اشتباه نسبت‌دهی پس از فیلتر اعتبار باقی می‌ماند و گوینده‌های هم‌نام در LoCoMo تفکیک نشدند؛ دو مدل منجمد خطاهای پرامپت را در متن تولیدی بازتولید کردند و تأخیر عمدتاً از پیش‌پر کردن پرامپت بود نه بازیابی.
محدودیت‌ها
نویسنده‌ها می‌گویند بنچمارک کنترل‌شده خانواده‌ی قالب کوچک، توکن‌های مقدار یکتا، فراداده‌ی درست شرکت‌کننده و فهرست خانه‌ی معلوم دارد که زبان و ساختار را ساده می‌کند، و مطالعه‌ی LongMemEval فقط روی ۲۵۸۷ نوبت انجام شده است.
چرا مهم است
دستیار شخصی‌ای که آدرس قدیمی شما را به یاد دارد یا شما را با همکار هم‌نامتان اشتباه می‌گیرد، قابل اعتماد نیست. این کار نشان می‌دهد این خطاها باید در خود حافظه سنجیده شوند، نه فقط در پاسخ نهایی.