SpeakerMem-R1：多角色對話的雙軌記憶系統
為何重要
這項成果解決了擁有多角色對話能力的 Agent 在「狀態一致性」上的長期痛點，使 LLM 不再只是被動的對話參與者，而能建立具備時間軸與人際社會關係的動態認知。這種以「語錄」與「狀態」雙軌導向的記憶管理，是構建價值更高、互動更自然的智慧助理的關鍵技術棧。對於開發者而言，這提供了最佳化長期對話準確性的具體解決方案。
多人對話情境下的長期記憶不僅需要檢索資訊，更需區分誰說了什麼、誰在意誰，以及狀態如何隨時間改變。現有通用型 LLM 記憶系統在多人情境下常遺漏角色關係或難以整合分散的線索。本研究所提出的「SpeakerMem-R1」，透過雙軌記憶架構同時儲存語錄與衍生狀態，並在 GroupMemBench、SocialMemBench 和 EverMind-AI 榜單上分別達到 47.9%、69.2% 與 62.33% 的分類準確率。此外，RL 最佳化將準確率從 57.38% 提升至 68.20%，顯示架構的有效性。