超越记忆：从长期多模态个人档案中"记住你"到"懂你

arXiv:2609.19167v1 公告类型：new 摘要：随着 AI 系统逐步进化为个性化数字伴侣，一项核心能力是对用户长期个人历史的推理：不仅仅是存储过去的事件，还要追踪纵向的经历和不断演变的偏好。该领域的进展受限于评估——现有的长期记忆 benchmark 大多是合成的、纯文本的，忽略了锚定日常人类记忆的视觉记录，缺乏真实个性化所要求的真实且因果关联的纵向数据，因此仍停留在浅层的事实回忆层面。我们提出 ReaLMem（Real-world Long-term Multimodal Memory），这是首个基于真实多年个人视觉档案构建的 benchmark，并配有第一人称主观标注。ReaLMem 在三个难度递增的认知层级上评估模型：事实回忆、人格推断和预测性个性化。我们进一步提出 ChronoProfiler，一个时间加权画像模块，用于计算用户属性的时间稳定性得分，并将其作为显著性先验，解决时间不一致偏好之间的冲突，帮助模型在复杂的个性化决策中整合多个同时活跃的偏好。对在 ReaLMem 上的前沿多模态大语言模型（MLLM）和记忆系统的广泛评估表明，预测性个性化是一个持续存在的能力天花板，揭示了 MLLM 与记忆系统之间明显的性能差距和瓶颈，并表明高质量、具备时间感知的表征能够显著改善个性化效果。ReaLMem 和 ChronoProfiler 共同为长期个性化提供了一个真实的测试平台和一种简单有效的机制，为未来终身 AI 伴侣的研究奠定了基础。