延迟压缩记忆法CoEM，长文推理F1自测提升逾10分
CoEM把压缩决定推迟到后续上下文确认证据相关性之后，作者自测在Qwen3.5-9B上比最强记忆基线高10.4至11.4个F1点，效果待独立复现。
重要性局部证据E2 未复现写法快讯
读者现在可以了解CoEM这种长上下文记忆管理方法：先原样暂存可能有用的原文片段，等后续内容确认其相关性，再决定写入压缩记忆或丢弃，避免过早压缩丢掉关键细节，作者自测F1提升10分以上。
以往的做法是尽早压缩记忆，可能在证据相关性尚未明朗时就丢弃关键细节，造成长文推理信息损失。
作者用强化学习训练这套决定策略，并加一个冻结校验器，只接受有原文支撑的记忆事实。在6400份文档的长输入上，作者自测其在Qwen3.5-9B上比最强记忆基线高10.4至11.4个F1点。
实验只覆盖Qwen3.5-9B一个模型和6400文档这一种输入长度，其他模型和更短或更长的上下文表现未知，效果尚无独立复现；代码已在GitHub开源，可据此验证。