PreCoMem 是一种受预测编码启发的记忆巩固框架，将对话记忆表示为对用户状态的置信度加权信念。核心信号 Effective Surprisal 由语义偏差和矛盾证据组成，在检索分散且不可靠时会被下调。
根据 Effective Surprisal，系统使用两阈值门将每轮对话映射到三种确定性更新：MAINTAIN 强化已被支持的信念，PROFILE 将模糊线索存入低置信度假设，充当等待室，CORRECT 对被可靠矛盾的事实进行软衰减。
PROFILE 阶段防止对噪声证据过早做出承诺，从而在用户真实意图改变时仍能保持记忆的稳定性。
我们在 LoCoMo、LongMemEval‑S、PersonaMem‑v2 三个基准上进行实验，结果均显著超越现有方法。进一步构建的 DiMoBench 验证了 PreCoMem 在非平稳信念漂移场景下的自适应能力，而不会对噪声产生过度反应。
代码已开源：https://github.com/ZhongWishing/PreCoMem。
点评