**SpeakerMem-R1：面向多方对话的说话人中心双轨记忆系统**

_SpeakerMem-R1: Speaker-Centered Dual-Track Memory for Multi-Party Dialogue_

> 针对多方对话中长期记忆的消息归属与关系理解、以及交错历史的状态重建两大瓶颈，该论文提出 SpeakerMem-R1。其双轨记忆分别存储带说话人标注的原文消息，以及按个人级与群组级视图组织的派生状态，查询时按实体、事件和时间融合两条轨道的证据。为降低结构化记忆构建中的归属与更新错误并支持本地部署，作者用 SpeakerLevenshtein 与说话人条件化 GRPO 训练 Writer-R1。在 GroupMemBench、SocialMemBench、EverMemBench 上二值准确率分别为 47.9%、69.2%、61.9%，在 EverMind-AI 公开 EverMemBench 榜上达 62.33%，为最新 SOTA 框架中最佳；在 LoCoMo 全部 1986 题上达 70.85%。305 题受控评测中，RL 将 SFT Writer 平均准确率从 57.38% 提升至 68.20%。消融显示原文轨与结构化轨、个人级与群组级视图具有互补性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-24 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.26780)