CoEM延迟压缩记忆

CoEM（Commit-on-Evidence Memory）是 KAIST、澳门大学、MIT 等机构作者提出的一种长文本推理记忆框架，核心是把"压缩"这个不可逆决定推迟：模型分块读长文档时，暂不确定是否有用的原文片段先逐字存入待定区，等后续上下文澄清其相关性后，再由一个经强化学习训练的策略决定提升、保留或丢弃，且任何写入记忆的事实都要通过一个冻结的 NLI 验证器核对原文。作者自测在 Qwen3.5-9B 上、6,400 篇文档（约 0.8M token）输入下，比最强记忆基线高 10.4–11.4 个 F1 点，且从 50 篇到 6,400 篇 F1 仅下降 1.0–2.1 点。动机来自一个诊断发现：三个多跳问答基准中 32.03%–44.53% 的抽样问题存在"证据相关性延迟"——即先读到的细节要到后面才显出重要性，而现有方法一旦过早压缩就找不回来。【存疑】这些数字均为作者自测，效果尚待独立复现；论文截至发稿尚未被会议接收，完整源码与模型权重承诺在接收后发布，目前 GitHub 仓库只有文档和图表。