「HyperMem」透過超圖架構優化長期記憶，在 LoCoMo 基準測試中達到 92.73% 的準確率

「HyperMem」透過超圖架構優化長期記憶，在 LoCoMo 基準測試中達到 92.73% 的準確率。

EverMind 團隊發表的最新論文「HyperMem: Hypergraph Memory for Long-Term Conversations」已被 ACL 2026 接收，該研究提出了一種基於超圖（Hypergraph）的分層記憶架構，旨在解決現有對話系統在處理長期記憶時的局限性。

技術架構與創新
現有的對話系統（如 RAG 或基於圖的記憶方法）多數依賴兩兩配對的關係（pairwise relations），這導致系統難以捕捉多個元素間的聯合依賴關係，進而造成檢索內容破碎。HyperMem 的核心創新在於：

• 引入超圖結構：透過超邊（hyperedges）明確建模高階關聯，將分散的內容整合為連貫的記憶單元。
• 分層記憶設計：將記憶結構化為「主題（topics）」、「情節（episodes）」與「事實（facts）」三個層級，並透過超邊將相關的情節與事實進行分組。
• 混合檢索策略：設計了混合詞彙語義索引（hybrid lexical-semantic index）與由粗到細（coarse-to-fine）的檢索策略，以確保高階關聯檢索的準確性與效率。

效能表現與影響
在 LoCoMo 基準測試中，HyperMem 展現了顯著的優勢，證明了其在處理長期對話中的有效性：

• 達到業界領先水準（State-of-the-art），在 LLM-as-a-judge 的評估指標中取得了 92.73% 的準確率。
• 該研究反映了 EverMind 對於推動 AI 系統如何記憶、推理以及長期維持有意義互動的基礎技術承諾。

詳細研究內容請參閱：https://arxiv.org/abs/2604.08256