论文提出 KV-LTM:用持久 KV 缓存作会话级长期记忆
热点事件持续更新
论文提出 KV-LTM:用持久 KV 缓存作会话级长期记忆
1 篇报道1 个报道来源46 分钟前更新
先了解这件事
AI 综述
Ziv Kfir 与 Ido Kfir 在 arXiv 论文(arXiv:2611.21998)中提出 KV-LTM,将每个会话的原始文本连同其 KV 缓存一并存为记忆层,回答时恢复缓存会话并附加问题,从而免去重复 prefill 计算。 论文称 KV-LTM 是对检索与索引的补充而非替代:文本仍是记忆的正式记录,缓存只是免重算的 prefill 加速器,必要时可退回纯文本。在 LongMemEval 系统级对比中,两款商业助理得分低于同一模型离线读历史。 作者测算每 token 状态约 31K-328K 字节,按每天 30K token 的设定,每用户每年约 0.34-3.6 TB 存储开销。
AI 根据报道生成 · 30 分钟前更新
最新进展11月18日 13:00
KV-LTM:以会话级持久 KV cache 作为个人助理的长期记忆报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv cs.AIKV-LTM:以会话级持久 KV cache 作为个人助理的长期记忆
arXiv 论文提出 KV-LTM,将每个会话的原始文本与其 KV cache 存为记忆层,回答时恢复缓存会话并附加问题,避免重复 prefill 计算。在 LongMemEval 的系统级对比中,两款商业助理得分低于同一模型离线读历史。分析显示每 token 状态约 31K-328K 字节,按每天 30K token 计每用户每年约 0.34-3.6 TB 存储开销。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。