NEMORI：把「该记什么」从设计者直觉
改写成系统自己的预测误差

0 · 本期检索说明

• 检索范围：ACL Anthology 2026（acl-long / findings-acl / eacl-long）、arXiv cs.CL / cs.AI、OpenReview（ICLR 2026 MemAgents workshop）、Agent-Memory-Paper-List。
• 候选池：共扫描 26 篇，覆盖记忆架构、记忆蒸馏、记忆压缩、记忆演化、RL 训练记忆策略、评测基准、记忆安全与治理、参数化记忆八个子方向。
• 排除：按约定排除 MemGPT / A-MEM / Mem0 / Memory-R1 / MemAct / AgeMem 作为核心工作；同时排除 arXiv:2607.08032（rate–distortion 记忆压缩），其形式化框架已在此前报告中作为示例引用。
• 诚实性声明：tabzhangjx.github.io/year-archive/ 本次返回抓取权限错误，未能程序化核对历史选题清单，去重仅依据任务提示中的排除名单。
• 选定理由：ACL 2026 主会长文，命中尚未轮换到的「记忆蒸馏 / 压缩」子方向，且提供了完整可核验的定量矩阵（主表 / 成本表 / 消融 / 检索策略 / 第三方集成 / 可扩展性 / 两组超参敏感性）。

2.1 摘要译述与核心定位

NEMORI 处理的问题只有一句话：记忆系统如何判定「什么信息值得被留下」。作者的诊断是，现有系统给出的答案全部是设计者直觉的编码——Generative Agents 用 importance score，情绪型记忆用 emotion tag，Mem0 用事实模板，MemoryOS 用 heat score。论文原文的措辞是这些方法 “encoding designer intuition rather than learning from the data itself”，其后果被拆成两条：subjective bias 导致不可逆的信息扭曲，systemic bloat 导致过度存储并放大检索噪声。

NEMORI 的答案来自预测编码理论（Rao & Ballard 1999；Friston 2010 自由能原理）：可被现有知识预测的信息即冗余，不可预测的部分才是记忆的候选。系统先用已有语义知识对即将到来的一段交互生成「预期图式」（anticipatory schema），再把实际内容与预期之间的差蒸馏成语义知识。

2.2 Motivation 与问题论证

论文的痛点论证是三层递进的。

第一层：容量约束是硬的。无状态 LLM 依赖不断膨胀的交互轨迹，而上下文窗口有限，且存在 Lost in the Middle 现象。这一层是全领域共识，NEMORI 不在此处争胜。

第二层：启发式蒸馏引入不可逆损失。这是论文真正的攻击面。作者在 Table 1 中把整个记忆系统谱系按 Distillation / Management / Retrieval 三个时机重排（见表 A），一个结构性事实随之浮现：13 条基线中只有 5 条在 Distillation 列有内容，且判据全部是人工先验；另外 7 条干脆留空——它们把原始交互整体塞进存储，把问题推给管理与检索阶段补救。

第三层：这一痛点被量化了。

• 消融（Table 5）：把预测误差蒸馏换成「直接蒸馏」（Nemori-s），LoCoMo 平均 LLM-judge 从 73.0 → 51.7（gpt-4o-mini，−29.2%，本报告计算）、80.8 → 66.0（gpt-4.1-mini，−18.3%）。同一套 episodic 管道下，仅换蒸馏判据就产生近 30% 的相对落差。
• 构建成本（Table 3）：NEMORI 记忆构建总 token 为 322.9k，Mem0 为 1693.4k、A-MEM 1149.4k、LangMem 1010.2k。NEMORI 在成本降低 80.9%（相对 Mem0，本报告计算）的同时分数更高（73.0 vs 61.3）。

2.3 论文的故事线（论证结构）

论文的推进逻辑不是「提出模块 A/B/C」，而是一条由三个先验（prior）串起来的演绎链。这三个先验是论文的真正骨架，也是它区别于同期「又一个记忆框架」论文的地方。

2.4 方法论与机制解剖

表 A · 论文 Table 1：按「蒸馏 / 管理 / 检索」三时机重排的记忆系统谱系（原文转录）

形式化定义 · Module 1：Episodic Memory Integration

形式化定义 · Module 2：Semantic Knowledge Distillation（论文核心）

表 B · 超参配置与敏感性覆盖

三阶段流程与成本占比

2.5 实验设计与定量结果

评测配置

表 C · LoCoMo 主结果矩阵（论文 Table 2；格式 LLM-judge / F1 / BLEU-1）

gpt-4.1-mini

gpt-4o-mini

表 D · 本报告自行计算：NEMORI vs Full Context 的类目级战绩（LLM-judge）

表 E · 记忆构建成本（论文 Table 3，LoCoMo / gpt-4o-mini）

* 「每分成本」为本报告计算（总 tokens ÷ LLM-judge 分数），用于剥离性能差异后比较真实效率。NEMORI 的单位分数成本是 Mem0 的 1/6.3、MemoryOS 的 1/2.2。 论文表中 “↓38.7%” 相对最省的 MemoryOS 计算；相对 Mem0 则是 ↓80.9%。

表 F · 消融研究（论文 Table 5）+ 本报告计算的相对跌幅

表 G · 构建成本的组件拆分（论文 Table 9，gpt-4o-mini）

表 H · 检索策略消融（论文 Table 6，LoCoMo / gpt-4.1-mini）

四种组合的 LLM-judge 极差仅 1.7 pp（75.3–77.0），F1 极差 0.7 pp。这组消融实际上说明「索引/检索表征的选择几乎不重要」，与 §2.3 中 Representation Prior 的强主张形成张力。论文默认设 N→N，但 N→P 的 LLM-judge 反而略高（77.0）。

表 I · 第三方系统集成（论文 Table 7）：NEMORI 作为前置蒸馏器

表 J · 可扩展性（论文 Table 8，LongMemEval-S，105K 平均 tokens）

Full Context 用 101K tokens；NEMORI 用 3.7–4.8K tokens（↓95–96%）。「相对」列为本报告计算。

表 K · 超参敏感性

观察窗口 w（Table 11，gpt-4.1-mini）

检索数 k（Fig.3 / Table 12）

* 抽取到的 Fig.3 与 Table 12 在 k=2 与 k=30 两点上数值略有出入（65.0 vs 66.6；73.0 vs 74.4）。本报告未能确定哪一组是正文口径，如实并列。

2.6 相变现象高亮 · 全文最有说服力的定性证据

这不是「压缩带来的边际增益」，这是一次符号翻转：把上下文缩小到 1/25，性能提升 5–7 倍。它说明在偏好类问题上，原始上下文不是「信息不足」，而是「信息主动有害」——用户偏好散落在长对话各处，被大量无关内容淹没，模型在 101K tokens 里根本定位不到；而预测误差蒸馏恰好把「与既有画像不符的新偏好」单独挑出来存成一条语义知识。

这是全文唯一一处 shape 而非 degree 的证据：其他类目上 NEMORI 与 Full Context 的差距都在 ±20% 之内（表 J），只有 Preference 一项跨越了一个数量级。如果论文要选一条主张来押注，应该是「记忆的价值在于对抗上下文稀释，而不是对抗上下文长度」——但论文并没有把这条相变单独作为核心论据展开。

反向证据同样值得高亮：Knowledge Update 一类上，gpt-4o-mini 从 78.2 掉到 61.5（−21.4%）。而 conflict 正是 NEMORI 语义巩固的三态之一、专为知识更新设计的机制。专门设计的机制在专门对应的题型上失手最狠——这条内部矛盾在论文中未被讨论。

2.7 价值分析

真正的贡献不是「性能更好」，而是三件事：

1. 把「存什么」重新定义为一个可测量的量。在 NEMORI 之前，importance、heat、emotion 都是外生的：需要一个提示词、一个阈值、一个衰减系数。预测误差是内生的：由系统当前知识状态与输入共同决定，不需要额外的配置界面。这个转换的意义类似于从「手工特征」到「自监督目标」的转换。
2. 给出了一个「成本 ↓80.9% 且性能 ↑19.1%」的存在性证明（表 E，相对 Mem0）。它把「记忆系统的成本是必要代价」这一默认假设证伪了：大部分成本来自存了不该存的东西。
3. 可拆卸的模块化贡献。表 I 证明预测误差蒸馏可以作为前置滤波器插到别人的系统前面：A-MEM 存储量降 51–64%，Core Score 反升 6.1%。这意味着这个机制不依赖 NEMORI 的其余部分，可被 A-MEM / MemoryOS / Mem0 直接吸收。

可脱离本文单独复用的设计原则

2.8 局限性

（A）论文自述的限制 — ACL 正式版 Limitations 节，原文引用

1. 蒸馏中心的作用域：“NEMORI focuses on distillation and adopts naive strategies for management and retrieval. This simplicity suffices for the benchmarks studied here, but may become a bottleneck for tasks that demand more sophisticated reasoning over memory. The performance we report should be understood as reflecting this design scope rather than the ceiling of what a complete memory system could achieve.”
2. 接口尚未标准化：“The interfaces we define are currently conceptual, and due to the lack of standardized protocols in the area, concrete integration still requires case-by-case implementation.”

（B）本报告的补充批判（9 点，每点附证据）

① 相对 Full Context 的优势几乎为零，且被报告口径掩盖（论证缺口）。论文全文相对提升均以最强记忆系统基线为分母。改用 Full Context 口径（表 D）：gpt-4.1-mini 上 Average 仅 +0.2 pp（+0.25%），F1 反而低 1.2 pp（52.1 vs 53.3，−2.25%），Multi-Hop 低 2.4 pp。这与摘要给人的印象（“improved performance alongside reduced storage”）不一致：在能装得下全上下文的场景里，NEMORI 的性能收益在噪声量级内，真实卖点只有成本。论文若把主张收敛为「等性能、1/5 成本」，反而更稳固。

② 核心机制的贡献随模型能力急剧衰减（指标有效性 + 外推风险）。表 F 中 w/o s（去掉预测误差蒸馏出的语义层）：gpt-4o-mini 掉 −25.1%，gpt-4.1-mini 只掉 −4.8%。两个模型仅差一代，核心贡献的边际价值就衰减了 5.2 倍。线性外推到前沿模型，语义层的贡献可能趋近于零——即预测误差蒸馏在补的是弱模型的检索/整合能力，而非提供不可替代的信息。论文没有在任何更强的模型上验证这条趋势是否收敛，这是最需要补的实验。

③ 为知识更新设计的 conflict 机制，恰在知识更新题型上失手最重（内部矛盾）。表 J：Knowledge Update gpt-4o-mini 78.2 → 61.5（−21.4%），是六类中唯一的两位数负增长；同一模型上 Preference 却是 +597%。若 conflict 真能「清除过时条目」，这个类目本该是主场。合理猜测：conflict 的触发依赖 Search(D_s, u_q, K_m=5) 召回到旧条目，而新旧表述若语义相似度低于召回阈，冲突根本不会被检出——这直接指向未做敏感性分析的 τ = 0.70。论文对此无任何讨论。

④ 关键超参 τ = 0.70 完全没有敏感性分析（实验设计缺口）。表 B：论文扫了 w（5→40）和 k（2→30），却没扫 τ。而 τ 是预期图式唤起的门槛，直接决定「系统认为自己知道多少」，从而决定预测误差的规模——它是整个 Distillation Prior 的旋钮。跳过 τ 而扫 w，等于给次要参数做了体检、给主动脉留了空白。附带地 K_e = K_m = 5、K_s = 10、r = 2 也均无消融。

⑤ 自称的「原生管理」模块在两组对照里都是负贡献（论证缺口）。表 F：Nemori-s 带管理 51.7 vs 不带 52.0（−0.3）；w/o e 带管理 64.6 vs naive RAG 65.0（−0.4）。两次对照，管理模块都略微拖后腿。论文解读为 “management overhead negligible”，但更严格的读法是：在单次运行、无方差报告的前提下，±0.3–0.4 pp 无法区分「无害」与「有害」，而这两个数的符号是一致的。既然如此，Table 1 里 Management 列写 “Agnostic” 就不只是自我限定，而是一个未经证成的默认值。

⑥ 缺少与「学习型记忆策略」分支的 head-to-head（关键竞品对比空白）。2025–2026 年记忆方向的另一条主线把记忆操作交给 RL 训练的策略（Memory-R1、MemAct、AgeMem），其判据是外生奖励；NEMORI 的判据是内生预测误差。两条路线在概念上直接竞争（「什么信号该驱动记忆写入」），但论文的 7 条基线没有一条来自 RL 分支。「内生信号优于外生奖励」这一隐含主张因此完全未被检验。这是下一步最有价值的实验。

⑦ 表 I 的两个指标符号相反，指标有效性存疑（指标问题）。NEMORI 作为 A-MEM 的前置蒸馏器，LLM-judge 降 3.0%/3.9%，Core Score 却升 6.1%/6.1%。论文用后者支持 “maintaining/improving performance”。同一次实验里两个指标方向相反时，选择对自己有利的那个需要额外论证——论文没有说明 Core Score 的定义、它与 LLM-judge 的差异来源，也没说明为什么主表不使用 Core Score。

⑧ 评测面过窄，标题中的 “LLM Agents” 被过度承诺（实验设计问题）。LoCoMo 与 LongMemEval-S 都是对话式问答基准，没有任何工具调用、网页/具身环境、规划类（ALFWorld / WebArena / PDDL）实验。记忆在 agent 场景中要承载的是行为经验（哪次工具调用失败、哪条路径走不通），其冗余结构与对话事实完全不同。此外 LoCoMo 只有 10 段对话、1,540 题、单次运行、无置信区间，而表 D 中若干关键差异只有 0.1–1.2 pp，在该样本量下不可区分。

⑨ 本报告自身的不完备之处（坦诚声明）。本次分析基于 ACL 正式版 PDF 与 arXiv v4 HTML 的抽取结果，未运行代码；github.com/nemori-ai/nemori 仅经检索确认存在，未核实是否为论文完整实现（该仓库的公开描述自称 “a minimalist MVP”，与论文中 “a production-grade implementation” 的表述存在潜在出入，复现者需特别注意）。Fig.3 与 Table 12 的数值出入亦未能消解。

选择标准：这五项工作都在回答同一个问题——「该记什么/该忘什么」，且每一项都在 NEMORI 的 Table 1 中被点名归类。它们不是平行的同方向论文，而是同一个旋钮被换了五种拧法，NEMORI 是把旋钮拆掉的那一步。

3.1 Generative Agents — Park et al., UIST 2023

解决了什么问题。首次给出可运行的长期 agent 记忆闭环：memory stream 记录全部观察，检索用 importance × recency × relevance 三项加权，reflection 把低层观察合成高层洞见。它是 NEMORI Table 1 中 Distillation 列第一个有内容的条目。

遗留了什么问题。importance 由 LLM 按提示词打 1–10 分，这个分数与下游任务效用之间没有任何监督信号，它是设计者对「什么重要」的直觉的代理。打分偏高 → systemic bloat；偏低 → 不可逆丢失。更根本的是，importance 是绝对量——不随系统已知内容变化，同一句话第一次说和第十次说得分相同。

核心工作如何回应。NEMORI 把绝对量换成相对量：一条信息的价值 = 它相对系统当前知识的意外程度。第十次重复的内容会被 Evoke 命中、被预期图式覆盖、蒸馏输出为空。表 F 的 Nemori-s 掉 18.3–29.2%，正是这条替换的定量代价。

关键设计的传递。Generative Agents 的 reflection tree 在 NEMORI 中演化为 merge 巩固状态——但只在检索到语义相邻条目时触发，而非按固定 importance 累积阈值触发。触发条件从「计数器」变成了「联想命中」。

3.2 MemoryBank — Zhong et al., AAAI 2024

解决了什么问题。第一次把「遗忘」当作一等公民：借 Ebbinghaus 遗忘曲线，让记忆强度随时间指数衰减、随重复召回增强。它给出了「该忘什么」的第一个可计算答案。

遗留了什么问题。遗忘曲线是关于时间的先验，不是关于内容的判据。一条一周未被访问的关键事实（用户对某种药物过敏）与一条一周未被访问的闲聊，衰减速率相同。它把「重要性」外包给「被访问频率」这个代理量，而访问频率取决于问了什么问题，在冷启动或低频场景下几乎无信息。

核心工作如何回应。NEMORI 干脆不做时间衰减。它的「遗忘」发生在写入之前：可预测的内容根本不进入语义存储；写入后的清除只发生在 conflict（被新信息证伪）时。从「按时间衰减」变成「按可预测性过滤 + 按矛盾清除」——遗忘从后处理过程变成了写入门控。

3.3 A-MEM — Xu et al., 2025 （按约定从简，此前报告已详述）

解决了什么问题。借 Zettelkasten 卡片盒方法，让记忆条目自主生成关键词/标签、与既有条目建立链接，并在新条目加入时触发邻居的记忆演化。它放弃了预设 schema，是「结构自组织」的代表作。

遗留了什么问题。A-MEM 优化的是已存内容之间的组织，对「该不该存」保持沉默——Table 1 中它的 Distillation 列是空的。结果是链接结构建在未经筛选的语料上：噪声条目同样生成标签、同样参与链接，把冗余从存储层传导到了图结构层。

核心工作如何回应。表 I 给出了最直接的回答：把 NEMORI 的蒸馏输出（K）而非原始 episode（P）喂给 A-MEM，MemTokens 从 397K→142K（↓64.3%），Core Score 从 52.6→55.8（↑6.1%）。A-MEM 的组织能力没有变，只是被组织的东西干净了。

关键设计的传递。A-MEM 的「新条目触发旧条目更新」在 NEMORI 中演化为 Supersede：M_ν 直接取代 U_k，且 P_k ‖ P_j 保留原始溯源。差别在于 A-MEM 是追加式演化（旧条目被改写但仍存在），NEMORI 是替换式演化（旧条目被顶掉）——后者更省，也更不可逆。

3.4 MemoryOS — Kang et al., EMNLP 2025 Main (Oral)

解决了什么问题。把操作系统的分页思想搬到记忆：短期 / 中期 / 长期三级存储，用 heat score 决定条目在层级间迁移，配合两步检索。它是「启发式路线的工程化极致」，论文自报在 LoCoMo 上相对基线取得 F1 +48.36%、BLEU-1 +46.18%（gpt-4o-mini）。

遗留了什么问题。heat score 仍是外生的：迁移阈值、衰减系数、层容量都要人工设定。更关键的是它管的是「放在哪一层」，而不是「要不要存」——所有内容都先进短期层。分层只是把 bloat 的成本从检索延迟转移到了存储层级管理上。

关键设计的传递。MemoryOS 的分层在 NEMORI 里被压扁成两个正交存储（D_e episodic / D_s semantic），迁移规则从「热度阈值」换成「预测误差是否非空」。层级从时间维度的分级变成了表征类型的分工——与 McClelland 等人的 Complementary Learning Systems 理论对齐（论文明确引用）。

3.5 Zep / Graphiti — Rasmussen et al., 2025

解决了什么问题。用时间知识图谱处理「记忆会过期」：每条边带有效区间，新事实到来时把旧边标记为 invalid 而非删除，支持时点查询与冲突消解。

遗留了什么问题。有效性管理要求信息先被结构化为三元组，这一步本身就是一次有损蒸馏，且判据（抽什么实体、什么关系）依然是人工 schema。此外图谱抽取昂贵，而 Zep 在统一评测里 LoCoMo 平均仅 58.5 / 61.6，Temporal Reasoning 上 60.2（gpt-4.1-mini）反而低于 NEMORI 的 77.3——一个专门为时间语义设计的系统，在时间推理题上落后 17.1 pp。

核心工作如何回应。NEMORI 用 conflict 处理同样的问题，但代价小得多：不需要维护图结构，只需在语义条目层面判断「新证据是否证伪旧条目」。代价是失去时点查询能力——NEMORI 无法回答「三个月前用户的偏好是什么」，因为旧条目被 purge 了。表 J 中 Knowledge Update 的 −21.4% 可能正是这种「廉价冲突消解」的账单。

关键设计的传递。Zep 的「invalidate 而非 delete」这一保守策略，在 NEMORI 中被简化为 “purge and replace”。这是本链上唯一一次「退化」而非「进化」——NEMORI 在这个维度上更弱，值得后续工作把时间有效性重新接回预测误差框架（见 §5 ⑤）。

演进的内在逻辑：判据的来源在不断内移

两个关键转折点：Ⅳ→Ⅴ 是「把判据交给优化」——既然人工设不好，就用奖励学，代价是需要任务奖励与训练；Ⅳ→Ⅵ 是「把判据交给系统状态」——既然人工设不好，就让系统自己度量惊讶，代价是判据的质量完全取决于预期图式的质量。

5.1 理论层面

① 冷启动—饱和动力学的形式刻画（高价值、低门槛）。预测误差蒸馏的输出量 |K_in| 是系统已有知识量 |D_s| 的函数：|D_s| = 0 时退化为全量蒸馏，|D_s| → ∞ 时趋近于零。这条曲线的形状决定了记忆库的稳态大小，而论文完全没有测量它。具体可操作的实验：在 LoCoMo 的 10 段对话上，按会话序号绘制 |K_in| 与 |D_s| 的联合轨迹，看是否存在饱和点、饱和点是否依赖 τ。只需 log 现有 pipeline，不需要新训练。

② τ 与预测误差质量的 trade-off 定量化。τ 高 ⇒ 唤起少 ⇒ 预期弱 ⇒ 假阳性「意外」多（存了冗余）；τ 低 ⇒ 唤起多 ⇒ 预期强 ⇒ 假阴性（漏存新信息）。这是标准的精确率—召回率权衡，但没有人给出它的经验曲线。建议扫 τ ∈ [0.5, 0.9]，同时记录（a）语义库规模、（b）LoCoMo 各类目分数、（c）conflict 触发次数。第三项尤其关键——§2.8 批判 ③ 的假设可由此直接证实或证伪。

③ 内生信号与外生奖励的可达上界比较。预测误差是无监督判据，RL reward 是有监督判据；理论上后者上界不低于前者（可以学出任何判据，包括预测误差本身）。问题因此变成：在多大的训练预算下，RL 学到的记忆策略才能超过零训练的预测误差判据？这是一个可以画出交叉点的实验，也是判决 §4 图中两条分支的唯一方式。

5.2 工程与应用层

④ 补齐 agent 场景的评测（最紧迫）。NEMORI 标题是 “for LLM Agents”，但两个基准都是对话 QA。具体下一步：在 ALFWorld / WebArena / τ-bench 上把 episode 定义为「一次工具调用序列」，把预测误差定义为「预期的工具返回 vs 实际返回之差」。这个迁移几乎是字面的——预测编码框架天然适配「我以为会发生什么 vs 实际发生了什么」，而这正是 agent 轨迹的结构。若成立，它比对话场景更有说服力。

⑤ 把 Zep 的时间有效性接回预测误差框架。NEMORI 的 conflict 用 purge 换效率，代价是丢失时点查询。具体设计：把 conflict 从「清除并替换」改为「标记 invalid_at 并追加」，只在检索时按查询时间过滤。存储成本上升有限（旧条目已蒸馏过，很短），但恢复了时间维度。可直接在 LongMemEval-S 的 Knowledge Update 与 Temporal Reasoning 两类上验证是否能修复那 −21.4%。

⑥ 在线/动态设置下的记忆稳定性。现有评测都是「先离线构建记忆库，再统一提问」，真实 agent 是边用边写。预测误差判据在在线设置下有一个未被讨论的风险：早期的错误蒸馏会污染预期图式，进而系统性地扭曲后续的预测误差（一个正反馈回路）。这与 ACL 2026 How Memory Management Impacts LLM Agents（acl-long.27）报告的 error propagation 现象高度同构——用那篇论文的「未来任务结果作为记忆质量信号」的方法给 NEMORI 的语义库做后验清洗，是一个现成的组合。

5.3 新兴方向

⑦ 可逆蒸馏 / 有损度可控。NEMORI 的蒸馏不可逆（虽然 M_j 保留 P_j 原文，但语义层 K_in 无法还原）。能否给预测误差蒸馏加一个可调有损度旋钮，让同一套记忆库在「高保真昂贵」与「低保真廉价」之间切换？这与 rate–distortion 视角的记忆压缩工作（arXiv:2607.08032）形成天然对话：预测误差正是率失真理论中「残差编码」的对应物，NEMORI 实际上实现了一个未加显式码率约束的残差编码器。把码率约束显式化，是合并这两条线的最短路径。

⑧ 多视角预期图式。当前 Evoke 只用一次相似度检索生成单一预期。若并行生成 K 个来自不同视角的预期（事实性 / 偏好性 / 因果性），取各视角误差的交集作为高置信新信息、并集作为候选池，可能显著改善 §2.8 批判 ③ 的漏检问题。这与同期 MAGMA（acl-long.1709）的「四正交图」思想同构，但作用在蒸馏端而非检索端。

⑨ 预测误差作为记忆投毒的攻击面（安全）。一个尚未有人提出的具体风险：攻击者若能推断出系统的语义库内容，就能构造「高预测误差但无价值」的输入，强制系统写入垃圾——因为 NEMORI 的写入门控完全由「意外程度」决定，而意外程度是可被对手操纵的。这比针对启发式系统的投毒更容易（不需要伪装成「重要」，只需伪装成「意外」）。结合 arXiv:2607.06595 的记忆投毒攻击框架，这是一个可以立刻做出来的攻击实验。

这张表读出的三条趋势

1. 性能趋势已经饱和，成本趋势没有。从 Generative Agents 到 NEMORI，LoCoMo 平均分从无到 73–81，但 NEMORI 与 Full Context 的差距只有 0.2–0.7 pp（表 D）。下一个数量级的进步不会来自 LoCoMo 上的分数。
2. 自报增益与第三方复现之间存在系统性缺口。MemoryOS（+48.4% → 第三方低于 Mem0）与 Zep（+18.5% → 第三方低于 Mem0）是两个独立例证。
3. 出版层级在上移。2023–2025 的代表作多为 arXiv 或 workshop（A-MEM 至今无主会记录，Zep 无出版记录），2025–2026 已稳定进入 EMNLP/ACL 主会长文与 Oral。这个领域的评审标准正在收紧。

How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior（2026-07，ACL 2026 Main Long）

• 系统刻画 agent 的 “experience-following” 特性，拆成 error propagation 与 misaligned experience replay 两个失效模式；提出用「未来任务结果」作为已存经验的质量信号。与 NEMORI 直接互补：NEMORI 管写入门控，这篇管写入后的质量修正。
  ACL Anthology · PDF · Code: 未找到

EverMemOS: A Self-Organizing Memory Operating System for Structured Long-Horizon Reasoning（2026-07，ACL 2026 Main Long）

• 三阶段神经科学隐喻的记忆生命周期（Episodic Trace Formation → Semantic Consolidation → Reconstructive Recollection），MemCell / MemScene 两级抽象。与 NEMORI 的双存储设计高度可比，但巩固判据是聚类而非预测误差——做 head-to-head 的理想对手。
  ACL Anthology · Code: 未找到

MAGMA: A Multi-Graph based Agentic Memory Architecture for AI Agents（2026-07，ACL 2026 Main Long）

• 把记忆项同时投影到语义 / 时间 / 因果 / 实体四张正交图，检索变成跨图引导式遍历，解决「单一语义相似度把时间、因果、实体信息纠缠」的问题。§5.3 ⑧ 的多视角预期图式可直接借用它的四轴分解。
  ACL Anthology · Code: 未找到

Dynamic Long Context Reasoning over Compressed Memory via End-to-End RL (LycheeMemory)（2026-07，ACL 2026 Main Long）

• Compressor / Gate / Reasoner 三件套 + 端到端 RL；上下文从 7K 外推到 1.75M tokens，相对 MemAgent 峰值显存 ↓2×、推理 ↓6×。代表 §4 图中「外生奖励」分支的最新工程水位。
  ACL Anthology · Code: 未找到

FOREVER: Forgetting Curve-Inspired Memory Replay for Language Model Continual Learning（2026-07，ACL 2026 Main Long）

• 把 replay 时机对齐到「模型时间」（由优化器更新幅度定义）而非训练步数，覆盖 0.6B–13B。是 MemoryBank 遗忘曲线思想在参数化记忆一侧的对应物，两条线首次可以对读。
  ACL Anthology

Scaling Self-Evolving Agents via Parametric Memory (TMEM)（2026-06，arXiv）

• 用在线 LoRA 权重更新 Δ_t 承载记忆，agent 在单个 episode 内就能改变行为；从「look up 过去经验」变成「learn from 过去经验」。在 LoCoMo / LongMemEval-S / CL-Bench 上超过摘要式与检索式基线。参数化记忆 vs 外部记忆这条轴上最值得追的工作。
  arXiv:2606.04536

When Agents Remember Too Much: Memory Poisoning Attacks on LLM Agents（2026-07，arXiv）

• 记忆投毒攻击的系统化框架。结合 §5.3 ⑨：NEMORI 这类「以意外程度为写入门控」的系统可能比启发式系统更易被投毒，因为伪装「意外」比伪装「重要」门槛更低。
  arXiv:2607.06595

From Recall to Forgetting: Benchmarking Long-Term Memory for Personalized Agents（2026-04，arXiv）

• 少见地把「遗忘」而非「召回」作为一等评测目标。LoCoMo/LongMemEval 都只考召回，这正是表 D 里 NEMORI 与 Full Context 拉不开差距的结构性原因——现有基准无法奖励「正确地忘掉」。
  arXiv:2604.20006

8 · 一句话总结

NEMORI 最重要的贡献不是它在 LoCoMo 上的分数（相对 Full Context 只有 +0.25%），而是它证明了记忆系统 80% 的成本花在了系统本来就知道的事情上——以及在 LongMemEval 的偏好类问题上，把 101K tokens 砍到 4K 能让分数从 6.7 涨到 46.7 这一相变式证据：长上下文的敌人不是长度，是稀释。