LiveMem：通过活态记忆状态维持 LLM 的长期运行记忆

基于摘要分析。本文研究长时间运行的 LLM 助手与智能体如何在上下文不断更替时保留并利用历史信息，提出 LiveMem：在预训练全注意力 LLM 旁增加并行循环记忆分支，以持续更新的内部状态承载长期记忆，而非仅将历史存为文本并按需检索。 机制上，原有注意力路径负责精确访问有界工作上下文，循环分支则在线更新记忆状态，并使其跨上下文更替持续存在。作者通过面向记忆的后训练，教模型使用该状态。摘要未提供状态更新方程、记忆容量、分支与主模型的融合方式，以及后训练目标和训练数据，因此尚不能判断具体实现与复现成本。 作者报告，LiveMem 相较 RAG 和其他内生记忆方法取得领先的总体表现；在 LongMemEval 中，即使支持证据已完全移出上下文，模型仍可依靠记忆状态回答问题。作者还将测试时学习结果解释为：状态承载了从既往经验中提炼的模式，而不只是可检索的记录。摘要未给出具体分数、数据划分、对照配置或统计信息，上述性能与解释均需结合完整实验协议核对。 阅读重点是区分持久状态带来的历史信息保留与经验模式学习，并核对上下文更替、证据移除及不同记忆方法的资源预算。实验协议、消融及统计信息尚未验证。本文的主要对象是 LLM 长期记忆，材料未提供 EEG 或 BCI 验证，不能将其结果直接视为神经信号建模或在线适应的有效性证据。