RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory 论文阅读

全文概览

长期记忆里的许多错误，发生在候选证据进入回答模型之前。同一个人可能在不同月份反复谈到聚餐、搬家和工作，语义相似度能找到同一话题，却容易把别的时间发生的事件排在前面。TIDER 把时间约束提前到检索阶段：先定位问题需要的时间窗，再合并时间通道与语义通道的候选证据。

核心变化有三处：用一个经过 SFT 和 GRPO 训练的 1.7B 定位器输出显式时间窗，让时间检索与语义检索分别召回，再依据候选与窗口的距离重排。作者在固定回答模型的条件下报告，LifeBench 的总体准确率为 61.52%，LoCoMo 为 78.96%；LoCoMo 的时间推理分项和 F1 仍低于 TiMem，结论需要连同这些边界一起阅读。

论文由清华大学与启元实验室的 Dabin Sheng 等作者完成，本文依据 arXiv:2610.23598v1，首次提交时间为 2026 年 10 月 16 日。作者在 arXiv 元数据中标注“Accepted at NeurIPS 2026”，这里解读的是该预印本版本，阅读日期为 2026 年 10 月 20 日，未独立运行作者实现。

下图先看中间的时间开关与双通道，再看右侧训练信号。原图较密，手机端可打开高清图，主要流程在后文用中文逐步展开。

图源：原论文图 2，Dabin Sheng 等，CC BY 4.0，保留原图。查看高清原图。

阅读路线是先明确“找错事件”的问题，再拆开记忆池、时间窗、融合评分和奖励设计，最后对照实验中的收益、代价与失效条件。

背景与问题

假设要回答“她三月份遇到了什么麻烦”。历史里可能同时有一月消费纠纷、三月购房问题和七月邻里噪声。这些记忆都涉及同一个人和负面事件，语义检索可能找对人、找对情绪，却找错月份。原文附录 G.2 的案例呈现了这种同实体、跨事件的混淆。

给最终回答模型更强的推理提示，作用受已检索证据限制。若三月的具体记录没有进入上下文，模型只能在其他月份的事件或笼统的人物总结上作答。TIDER 因而把“需要哪个时间段的证据”作为一项显式检索决策，而语义编码器继续负责主题相关性。原文第 1–3 节

时间约束也需要判断。问题中出现日期，不一定意味着要按该日期限制搜索；例如日期可能只是选择题选项。“搬家后的第一个周末”则可能没有直接给出日历日期，却要求结合历史中的搬家事件定位范围。把所有带时间词的问题都做硬筛选，会损害一般事实查询。

整体方法与关键创新

记忆池提供可定位的事件单元

预处理先从对话中抽取带日期的原子记忆，再按时间邻近和语义相近合并为事件簇。每个簇保留日期跨度、事件摘要与原始条目，定位器使用的是查询相关的时间线摘要。默认构建设置包含 7 天合并容差、0.85 的语义阈值和每簇 40 条的上限，都是作者实验的配置。

这里有两层信息：摘要帮助找到大致事件，原始条目保留回答所需细节。日期抽错、实体归错或摘要遗漏关键事件，都会传到后续定位器。附录 B.3 中，对定位器实际接收的 top-30 时间线摘要进行 LLM 审查，整体粗时间定位覆盖率为 84.51%，说明输入本身也会丢失线索。附录 B

定位器输出开关与时间窗

定位器以问题和 top-30 相关时间线条目为输入，输出 detect 与 windows。前者表示是否需要时间约束，后者允许一个或多个日期区间。多窗口可表达两个事件之间的比较，避免强迫所有证据落入一个连续时间段。

作者采用 Qwen3-1.7B，先用 SFT 对齐 JSON 格式与初始窗口，再用 GRPO 优化检索后的证据覆盖和回答结果。输出格式不合规的训练轨迹记零奖励，并跳过下游 judge。非时间问题关闭时间通道与距离衰减，按语义相关性检索。第 3.1、3.3 节

两个通道分别召回，再统一排序

语义通道按问题与记忆的相似度召回；时间通道在开启时保留日期跨度与预测窗口重叠的候选。两组候选合并后，评分结合语义相似度、窗口命中奖励和时间距离衰减。

默认配置给窗口重叠候选增加 0.3 的分数，再乘以距离系数。距窗口不超过 14 天时系数为 1，超出后按每天 0.05 线性下降，最低保留 0.3。这个下限让远处但相关的证据仍有机会进入结果，容差则吸收粗粒度时间表达的误差。系统最终取 top-20 记忆交给回答模型。

top-30 与 top-20 控制不同环节：前者是定位器看到的时间线输入量，后者是回答模型收到的证据数量。把两者混在一起，会误解后文的检索预算实验。第 3.2 节，式 5–6

奖励同时检查时间与最终证据

只奖励最终答案正确，可能强化一次偶然命中；只奖励时间窗与标注重叠，也不能保证相关事实排进 top-20。TIDER 把训练反馈分为四项：

• 时间开关是否判断正确，权重 0.10。

• 预测窗口与标注窗口的双向最佳匹配 IoU，权重 0.25。

• 检索结果对标注证据的语义覆盖率，权重 0.20。

• 最终答案正确性，权重 0.45。

窗口标签来自标注证据日期，时间敏感性标签由 GPT-5.2 初判后逐条人工核验。证据覆盖由 LLM judge 评估；答案奖励对选择题采用规范化匹配，对开放题采用三次 judge 调用的多数票。这套流程仍依赖标注和裁判质量。

训练样本按用户来源与测试集分开，并提高少见非时间问题和多窗口问题的采样权重。GRPO 的组大小为 8、KL 系数为 0.1。这些条件共同定义了论文中的训练方案，不能把收益全部归结为“加一条时间提示”。附录 C

实验与证据

数据、回答模型与指标

LifeBench 使用合成个人历史，测试限定为 user-0 与 user-1 的 408 道可回答问题，其余用户用于训练样本构建。LoCoMo 采用排除 adversarial 类后的 1540 题，论文将其作为未参与训练的跨数据集测试。

在每个数据集内，比较方法共享回答模型和 top-20 检索预算，Oracle 直接提供标准证据，单独视为上界。LifeBench 的回答模型与 judge 使用 GPT-5-mini，LoCoMo 使用 GPT-4o-mini；结果为三次评估的均值，以下数字来自作者报告。第 4.1–4.2 节

对应差值为 8.82 和 3.66 个百分点。总体准确率之外，LoCoMo 的时间推理分项为 TIDER 71.65%、TiMem 77.63%，token 级 F1 为 51.72 与 54.40。两种指标衡量的内容不同：准确率采用 LLM 判定，F1 检查规范化答案的词元重叠，因此不能把总体准确率优势写成所有维度都领先。

作者还报告，LoCoMo 上预测窗口覆盖 76.25% 的标准证据日期，低于 LifeBench 的 93.77%。使用标准窗口后，LoCoMo 时间推理准确率升至 79.13%、F1 升至 57.83%。这项诊断把一部分差距定位到跨数据集的窗口预测失配。表 1–2 与第 4.3 节

消融支持哪些机制

在 LifeBench 上，完整 TIDER 的准确率为 61.52%，去掉距离衰减后为 57.60%，再去掉时间通道后为 52.21%。这些是累计移除组件的实验，组件差值依赖当前剩余结构。

下图固定双通道与重排机制，只替换定位器。列标题括号内是完整 TIDER 的准确率，格内数字是相对于该分数的百分点差值；蓝色表示下降，顶部 Oracle Window 是使用标准时间窗的上界。

图源：原论文图 4，Dabin Sheng 等，CC BY 4.0，保留坐标、分项与图例。查看高清原图。

只做 SFT 的定位器总体下降 5.88 个百分点，零样本 Qwen3-1.7B 下降 8.33 个百分点，更大的零样本 GPT-5.2 仍下降 3.68 个百分点。这个结果支持当前设置下任务训练的作用，不能由此断言小模型在所有时间推理任务上优于大模型。

为分开记忆构建与检索机制，附录 D.2 还做了 2×2 比较：固定为带会话时间戳的 512-token 文本块时，语义检索为 50.49%，TIDER 为 58.58%；使用完整事件记忆池时，分别为 52.21% 与 61.52%。窗口检索在两种表示上都有收益，事件池构建还提供额外增益。

检索更多也没有稳定改善结果。在同一记忆池中，TIDER 的 top-20 为 61.52%，top-100 为 62.01%；纯语义检索在所测范围内的最高值为 top-100 的 57.73%。这里比较的是记忆单元数量，原文没有据此证明五倍 token 节省。附录 D

训练代价与边际延迟

1.7B 只描述定位器规模。作者使用两张 A100 80GB，SFT 约 3 小时，单次 GRPO 的 300 步训练约 100 小时，此外还有记忆预处理与 LLM 裁判调用。

推理时，定位器经 vLLM 部署在一张 A100 80GB 上。在 LifeBench 的 408 题中，时间路径平均增加约 0.41 秒，包括定位器、时间线检索分支与距离重排。这个数字是相对无时间路径的边际开销，回答模型的生成耗时另计。附录 H

局限与适用边界

两套评测都使用合成历史或合成多会话数据，尚未验证真实长期个人记录中的时间戳缺失、跨来源矛盾和持续分布变化。训练与测试按用户分开有助于约束评估，但结果仍只覆盖这些基准和作者的实现配置。

时间线依赖上游抽取。把消息发送时间误当成事件发生时间，或将同名人物、计划与已发生事件混在一起，会使窗口在检索前就偏移。附录 G 中，TIDER 的错误答案仍有大量被 LLM 标为时间错配，表明该机制缓解了问题，尚未消除它。

作者将评测语言范围限定为英语。中文农历、日语年号、时区换日及含混的相对时间，都需要另外验证。显式窗口提供了可审查的中间结果，窗口是否对应真实事件仍需证据核对。附录 I

准确率与部分检索诊断依赖 LLM judge。附录 J.6 报告三个模型家族的成对 Cohen’s κ 为 0.836–0.894，支持该批回答上的一致性判断；一致性不能替代人工逐条正确性审查。本文也未独立复现训练、检查完整样本清单或验证实际部署成本。

可验证的启发

以下是基于原文提出的后续验证思路，尚未实施。第一步可以固定记忆池、回答模型和证据预算，对比纯语义、时间窗口和双通道三种检索方式，特意加入“同一个人在不同月份经历相似事件”的问题。除了答案准确率，还应记录正确事件覆盖率、一般事实问题被误限时的比例和额外延迟；若只改善带显式月份的问题，收益就应限定在该类查询。

第二步是补充中文时间与日期质量测试。为同一事件分别保留原始消息时间、事件时间、来源条目和日期不确定性，再检查“春节后”“出差回来的第二天”等表达，以及北京时间与 UTC 换日的情况。成功判据应包含窗口与原始证据对应、错误日期能够被审查发现，不能仅看最终答案是否听起来合理。这项扩展超出了论文的英语评测范围。

参考资料

• 论文摘要与 v1 提交记录：题目、作者、版本日期及作者填写的会议状态。

• 论文全文：主文与附录 A–J，本文方法、结果、配置和限制的原始依据。

• 附录 G：失败诊断与案例：同实体跨时间事件混淆、双窗口证据缺失与阶段性状态误判。

• 附录 J：提示模板与 judge 一致性审查：记忆整理、窗口输出及评估协议。

• CC BY 4.0 许可：原论文标注的许可，本文两幅原图保留作者和图号归属。