统计日期 2026-10-23·本期 2 篇·问题与新思路速读
统计范围：北京时间 2026-10-23 00:00–24:00首次提交、截至检索时已公开并被 arXiv 编目的匹配论文。完整取得 2 篇候选，本期收录 2 篇。
阅读依据：论文标题、摘要与可核对元数据。下文是摘要速读，未逐篇全文审阅或独立复现。
昨日研究概览
本组工作从智能体记忆与知识图谱生成两端处理长程信息利用：前者用回合内因果记忆和回合级摘要避开全轨迹注意力，后者以多类评测比较大模型与专用模型在事实矛盾、遗漏和指标相关性上的差异。摘要显示，记忆机制与生成模型是两条不同路径，长期上下文效率还需结合结构化知识忠实度单独评估。
逐篇看：问题与新思路
01. 双时间尺度记忆强化元强化学习适应
原文：METTA: Memory-Enhanced Test-Time Adaptation for Meta-Reinforcement Learning
要解决的问题： 元强化学习需要在长交互历史中保留任务证据，但循环网络将经验压入隐藏状态，Transformer回溯轨迹又带来二次方显存与计算开销，难以兼顾快速适应和长程任务推断。
新颖的想法： METTA把测试时适应拆为回合内细粒度适应与跨回合任务推断：前者使用因果神经记忆，以线性序列复杂度处理历史；后者仅携带紧凑的回合级摘要，避免关注完整轨迹，从而联合支持未见任务适应与长上下文探索。
入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实
02. 大模型知识图谱转文本基准评测
要解决的问题： 知识图谱转文本长期以微调编码器—解码器模型为标准，但近期大模型在标准指标上的表现能否接近专用模型、不同评测方式能否一致反映图事实忠实度，仍缺乏系统比较。
新颖的想法： 研究在标准基准上将近期大语言模型与微调编码器—解码器模型对比，同时采用基于参考答案的指标和经人工标注验证的无参考大模型评测，并分析矛盾、三元组遗漏随图规模的变化；其贡献是实证比较，而非提出新的生成模型。
入选线索： 按方向匹配及摘要中的方法贡献线索入选；发表和机构权威线索未核实
来源、筛选与阅读边界
Top 10 是可解释的阅读优先级，不是公认学术权威排名。排序参考作者标注的发表/录用信息、作者区的机构原文、研究发布和开源线索，再结合方向与方法贡献线索；未提供的依据不从作者姓名或模型常识推断。arXiv 元数据中的录用信息仍是作者标注，不等于本站独立核实了会议录用。
同一论文可以属于多个研究方向；每个方向内部按基础论文 ID 去重，版本更新不另算新论文。候选按首次提交时间筛选，不把旧论文的新版本当作昨天新论文。超过十篇时筛选十篇，不足十篇按实际数量收录。
检索截至：2026.10.24 08:16（北京时间）。本方向共 2 篇候选，本期收录 2 篇。
查询记录：第 1 页。
本文由 AI 研究助手整理并进行来源审校。新颖性为作者的贡献主张，摘要可能省略关键条件；涉及采用、复现或投资决策时，请继续阅读原文。arXiv 收录不代表已经通过同行评审。
有 AI 项目想法？一起聊聊。
欢迎交流实践、寻找伙伴，或聊聊你的项目需求。
