提出可逆压缩与可学习预测结合的神经记忆模型，提升大模型动态交互能力。

Auxiliary-predicted Compress Memory Model(ApCM Model): A Neural Memory Storage Model Based on Invertible Compression and Learnable Prediction

• 基于可逆压缩与辅助预测构建神经记忆架构
• 实现高效存储且支持动态更新的运行时记忆机制
• 适合需要个性化交互的智能系统应用

当前大型语言模型普遍缺乏有效的运行时记忆机制，难以适应动态和个性化的交互需求。为解决这一问题，本文提出一种新型神经记忆存储架构——辅助预测压缩记忆模型（ApCM Model）。该模型通过可逆压缩技术降低存储开销，同时引入可学习的预测模块，实现对记忆内容的高效预判与更新。实验表明，ApCM 在保持低存储成本的同时，显著提升了模型在多轮对话与个性化任务中的表现，尤其在长序列记忆保持与快速响应方面优于现有方法。该架构为大模型实现持续学习与上下文感知提供了新路径。

原文摘要 · Abstract (English)

Current large language models (LLMs) generally lack an effective runtime memory mechanism,making it difficult to adapt to dynamic and personalized interaction requirements. To address this issue, this paper proposes a novel neural memory storage architecture--the Auxiliary Prediction Compression Memory Model (ApCM Model).

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。