精选理由
这项工作为智能体记忆管理提供了一个理论基础，将记忆效率与最终决策质量直接挂钩，对于构建长周期自主智能体具有重要指导意义。
该论文提出了一个基于率失真理论的决策中心记忆框架，将智能体记忆优化定义为决策质量损失最小化问题，而非传统描述性标准。作者推导了遗忘边界和记忆-失真前沿，并开发了在线记忆学习器DeMem，仅在数据证明共享状态会导致决策冲突时更新分区。在合成诊断和长程对话基准测试中，DeMem在相同运行预算下带来持续性能提升，验证了“记忆应保存决策所需的区分，而非描述”的核心理念。
AI 翻译 · 中文
该论文提出了一个基于率失真理论的决策中心记忆框架，将智能体记忆优化定义为决策质量损失最小化问题，而非传统描述性标准。作者推导了遗忘边界和记忆-失真前沿，并开发了在线记忆学习器DeMem，仅在数据证明共享状态会导致决策冲突时更新分区。在合成诊断和长程对话基准测试中，DeMem在相同运行预算下带来持续性能提升，验证了“记忆应保存决策所需的区分，而非描述”的核心理念。