基础模型代理中的部署时记忆

arXiv:2606.10062v1 公告类型：新 摘要：基础模型代理是越来越长寿的系统，可以在交互过程中记住用户，使记忆成为显式的部署时函数，而不仅仅是模型权重的属性。现有的工作涉及参数化记忆或审核固定内存配置，但没有描述内存设计选择如何共同塑造个性化效用、提取风险和删除保真度。我们将这个表面作为部署时记忆进行研究，将代理记忆制定为通过个性化回忆（PR）和对抗性提取率（AER）来衡量的隐私实用边界，并扫除三个记忆设计旋钮：摘要积极性、检索广度（k）和删除模式。我们进一步引入了遗忘残留分数（FRS）来量化已删除的信息是否仍然可以从派生内存层中恢复。在 LongMemEval 上，关键事实摘要在 Gemma 3 12B 上减少了 76% 的金丝雀提取，在 GPT-4o-mini 上减少了 64%，同时保留了几乎所有的个性化召回；重要的是，一旦内容被压缩，增加 k 就不再恢复泄漏。然而，相同的压缩会导致删除保真度失败：仅原始删除会使派生的摘要副本在大约 20% 的实例中可恢复，并且只有全管道清除或逻辑删除才能将最差层残留物降至零。总之，这些结果表明，持久智能体记忆必须被评估为一流的记忆机制——通过它帮助智能体回忆什么、它可以提取什么以及它可以真正擦除什么来评估。