群聊记忆不再只按相似度取：先找时间上扎堆的讨论，再按更新与补充串成证据森林
核心概要
长期多人群聊里，同一议题会被反复提出、修改和推翻，语义相近的消息可能描述互相冲突的状态。T-Mem 把时间结构当作记忆的核心表示：先用检索到的消息作时间锚点，回到它们扎堆的讨论片段里补回被全局排序漏掉的证据，再按时间顺序把消息组织成带“更新”和“补充”关系的证据森林，压缩低信息片段后交给答题模型。在 GroupMemBench 与 EverMemBench 上，它在 GPT-5.5 和 Deepseek-V4-Flash 两种答题模型下总体准确率均为最高，分别比最强基线高 6.50 至 8.59 个百分点。
深度剖析
长期多人群聊的记忆检索不再只按语义相似度排序，而是把时间结构同时用于找回证据和重建事件演进。 此前的时序记忆框架多把时间当作元数据，或用时间信号在已建好的记忆结构上引导检索，不把时间结构同时用于恢复局部集中的证据和还原完整的事件进程。 在 GroupMemBench 上，T-Mem 用 GPT-5.5 和 Deepseek-V4-Flash 分别达到 63.09% 和 62.68% 总体准确率，比最强基线高 8.59 和 8.05 个百分点；在 EverMemBench 上分别为 79.46% 和 77.63%，比最强已完成基线高 8.42 和 6.50 个百分点。
检索先找到少量高相关消息作为时间锚点，再回到这些锚点密集出现的讨论片段里重新挑选证据。 全局相似度排序会漏掉与查询字面重叠很少、却决定当前状态的那条更新；单纯加大 Top-k 又会引入无关话题和竞争性讨论。 在 GroupMemBench 上，Top-36 时关键证据召回率从 BM25 的 56.6% 和 HippoRAG2 的 61.5% 升到 72.8%；即使 Top-48，HippoRAG2 也只有 62.5%，T-Mem 为 75.6%。
被找回的消息按时间顺序组织成查询条件下的证据森林，边分为表示状态推进的 Update 和表示补充说明的 Expand。 同样一批消息若以扁平时间列表给出，模型需要自己判断哪条是当前状态、哪条已被取代。 在检索到的消息完全相同、仅改变组织方式的对照中，组织后的准确率在每个检索深度都更高，增益从 Top-24 的 3.09 个百分点升到 Top-48 的 7.60 个百分点；扁平列表在 Top-36 达到 50.74% 后开始下降，组织后的条件在 Top-48 达到 55.70%。
启示与展望
评估覆盖 GroupMemBench 与 EverMemBench 两个长期多人群聊记忆基准，答题与评判分别使用 GPT-5.5 和 Deepseek-V4-Flash 两种骨干，指标为答案准确率。证据找回实验在 GroupMemBench 上排除了弃答类问题，因为这类问题本就没有承载答案的证据。元数据消融在 Deepseek-V4-Flash 下进行，去掉话题与阶段字段后总体准确率为 60.40%。
时间证据发现依赖初始检索到的消息作为锚点，初始预算较小时锚点可能太少或覆盖不到相关片段，时间扩展能补回的证据因此受限。证据森林只用 Update 和 Expand 两类边近似事件演进，质疑、澄清、论证等不同话语功能可能都被归入 Expand。两个基准的元数据比许多实际群聊系统更干净，向噪声更大的真实对话推广仍需进一步研究；答案生成与评判都由大模型完成，重复运行可能出现波动。