可审计长期记忆：确定性检索链在 LongMemEval-S 上测得 500 题中的 479/475

该论文在 LongMemEval-S 上评测一套可审计长期记忆系统，检索链由混合候选召回、cross-encoder 重排、覆盖优先的 packet 编译和确定性推理脚手架组成，LLM 仅作可替换的最终阅读器。候选池在 468/470 可答题中覆盖全部 gold sessions，gold-complete packets 为 462/470；两轮 500 题分别得 479 与 475 分。

该系统把 LLM 从求解链路中降级为可替换阅读器，使记忆检索结果更可审计。两轮得分跨过 Chronos High 公布的 478/500，但作者明确表示读者代际、评分提示词、数据版本与系统内方差使优劣或等效均无法成立。

机制上先以混合召回把全部 gold sessions 放入候选池，再用 cross-encoder 重排并生成覆盖优先的 packet，最后由确定性脚手架组织推理，LLM 只做最终读数。评测未做留出集或独立人工裁决，且 72 条知识更新题使用了被大幅修改的评分提示词，其官方文本下效果尚未测量。

若该链路可复现，长期记忆产品可把召回与推理拆开，单独测量候选覆盖率和 packet 完整度，并以换阅读器的方式控制生成模型成本。但总分受评分提示词与读者版本影响，产品指标需固定评分口径并做多读者、多轮次回归。

• 把候选召回率与 gold packet 完整率设为长期记忆产品的独立可观测指标，与最终问答分数分开监控
• 构建可替换阅读器接口，在同一 packet 上并行跑多个模型，用成本与稳定性选择生成模型
• 对知识更新类问题建立独立评分集，避免修改评分提示词后总分不可比

• 72 条知识更新题在官方评分提示词下的得分是多少？
• retrieval 与 scaffold 的方法来源及 transcript 审计何时公开？
• held-out 评测或独立人工裁决能否复现 479/475 的结果？
• 两次 500 题评测的八条 verdict-flip 行具体是哪些？