跳转至

TransMem: Transforming Hidden States into Memory for Large Language Models

复现级别：核心机制 mini-suite。 本地只验证论文可独立实现的算法路径，不把小规模 NumPy 实验冒充原论文规模训练或线上结果。

论文信息

字段 内容
论文链接 arXiv 2607.29032
公司/机构 Authors did not disclose affiliation
第一作者 Haodong Lei
首次公开日期 2026-07-31（arXiv v1）
原文开源代码 否：截至 2026-08-24 未发现原作者公开代码
Adapter transmem
本地复现代码 src/auto_research/reproductions/transmem/

原始论文总结

背景与主要改动

将冻结骨干的稀疏历史 hidden states 变换成可复用参数记忆，并用 evidence-conditioned self-distillation 学门控。

flowchart LR
  X[固定公开 mini-suite] --> B[recent-window 对照]
  X --> M[transmem 核心机制]
  B --> E[同样本评测]
  M --> E

原论文关键图

TransMem: Transforming Hidden States into Memory for Large Language Models 原论文 Figure 2

原论文 Figure 2（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ h'_t=h_t+g_t\odot T(H_{sparse}) \]

论文离线与线上效果

LoCoMo +11.58–29.25 F1，HotpotQA +10.20–13.03 F1，MemoryAgentBench 29.54%→40.00%。 这是原文口径；若原文没有工业 A/B，本页不会把本地结果写成线上收益。

本地复现

本地对照口径：基线为同样本 recent-window attention，实验组为 transmem；单 seed 变化为 +12.50% 个百分点。

同一 seed、同一 64 条样本上，recent-window attention baseline accuracy 为 0.0781，transmem 为 0.2031，绝对变化 +12.50 个百分点。单篇原始指标见 metrics/public-seed42.json，批次索引见 ../../experiments/historical-b07-b11-seed42.json。

auto-research reproduce --paper transmem --seed 42

复现边界

本地使用固定长上下文/多模态/评测 mini-suite，未训练论文规模 checkpoint、未实现定制 CUDA kernel，也未复刻论文完整公开 benchmark。该实现用于确认核心数据流、公式和相对计算路径可执行。