2026年4月，研究团队梁斌、柯采的论文Meta-Memory for Large Language Models获音频、语音与语言处理领域顶级国际期刊IEEE Transactions on Audio, Speech, and Language Processing（IEEE TASLP）录用。IEEE TASLP由IEEE信号处理学会出版，涵盖音频技术、语音处理及语言计算三大方向。该刊2025年影响因子为5.1，位列JCR Q1分区，是中国计算机学会CCF推荐的B类期刊，同时是中国人工智能学会CAAI和清华大学推荐的A类期刊。

尽管大语言模型（LLMs）在开放域对话任务中取得了突破性进展，但面对长周期、多轮次的复杂交互历史时，如何高效管理并按需调用海量记忆仍是一项极具挑战性的难题。当前主流的记忆增强策略往往采用无差别的摘要压缩或机械的被动检索，缺乏对记忆过程本身的“认知”与自我调节能力，导致模型无法自主判断“应该记住什么”、“如何纠正冲突事实”以及“检索多少信息才足够生成高质量回答”。

针对这一问题，本文将认知心理学中的“元记忆”理论引入LLMs领域，提出了基于元的记忆管理框架（Meta-Memory for Memory Management, M⁴）。该框架打破了依赖外部静态规则的传统范式，全面赋予了LLMs自我监控与自我反思的系统级动态记忆管理能力。具体而言，M⁴ 能够自主甄别并分类提取对话中的增量知识（记忆学习），将零散线索构建为有序的记忆演化链条（记忆构建），通过“校准”与“压缩”双重机制自我监控事实冲突并有效释放存储空间（记忆更新），最后在响应阶段，通过基于自我评估的启发式双向搜索动态决定记忆的加载与终止，真正实现了记忆的按需精准调用（记忆检索）。

在 CC、MSC 两个真实的长期开放域对话数据集上的广泛实验表明，M⁴框架在各项生成质量指标上均全面超越了现有的先进基线方法。此外，在长期问答任务的表现上也展现了较强的准确性与适应性。

论文信息：

Bin Liang†, Cai Ke†, Runcong Zhao, Qinglin Zhu, Lin Gui, Yue Yu, Hui Wang*, Ruifeng Xu*, and Kam-Fai Wong*. Meta-Memory for Large Language Models. IEEE Transactions on Audio, Speech, and Language Processing. 2026.