δ - mem：提升大型语言模型内存效率，得分最高可达 1.31 倍！

快速通道

可了解 arXiv 成为独立非营利组织的情况，也能直达康奈尔大学官网。同时，还能通过链接进行捐赠，支持 arXiv 的发展。

搜索与导航

提供了多种搜索途径，可在所有字段（标题、作者、摘要等）进行搜索。还有快速链接，如登录、查看帮助页面和了解关于 arXiv 的信息。

论文详情

在计算机科学 - 人工智能领域，有一篇名为 $δ$-mem：大型语言模型的高效在线内存 的论文（arXiv:2605.12357）。该论文于 2026 年 5 月 12 日提交，作者有雷景迪、张迪等 10 人。

论文亮点

在长期助手和智能体系统中，大型语言模型积累和复用历史信息需求增大，但单纯扩大上下文窗口成本高且效果不佳。$δ$-mem 作为轻量级内存机制，通过紧凑的在线关联内存状态增强固定的全注意力主干网络。它将过去信息压缩成固定大小的状态矩阵并更新，在生成过程中对主干网络的注意力计算进行低秩校正。仅用一个 $8×8$ 的在线内存状态，$δ$-mem 就能将平均得分提高到固定主干网络的 1.10 倍，非 $δ$-mem 最强内存基线的 1.15 倍。在对内存要求较高的基准测试中提升更大，在 MemoryAgentBench 上达到 1.31 倍，在 LoCoMo 上达到 1.20 倍，还保留了通用能力。

论文相关信息

学科分类为人工智能 (cs.AI) ，有具体的引用格式。提交历史显示来自雷景迪，于 2026 年 5 月 12 日提交 v1 版本。可查看论文的 PDF 版本和 TeX 源代码，还能了解论文的许可信息。

浏览与参考

当前浏览上下文为计算机科学 - 人工智能，可进行上一篇、下一篇文章的切换，也能查看最新、近期文章。还提供了多种参考文献与引用工具，如 NASA ADS、谷歌学术等。

其他相关资源

涵盖代码、数据和媒体相关的切换选项，如 alphaXiv、CatalyzeX 等。还有演示相关的切换，如复制、空间等。此外，有推荐器和搜索工具，如影响力花、CORE 推荐器等。

关于 arXivLabs

arXivLabs 是允许合作伙伴在 arXiv 网站开发和共享新功能的框架。与 arXivLabs 合作的个人和组织需认同并接受开放、社区、卓越和用户数据隐私价值观。若有能为 arXiv 社区增值的项目想法，可了解更多关于 arXivLabs 的信息。同时，还提供了关于 arXiv 的多方面信息，如联系 arXiv、订阅邮件列表等。