ConMem: Contribution-Aware Memory for Long-Horizon Manufacturing Inspection Logs
ConMem 是一个面向长周期制造检验日志的贡献感知记忆框架，用于 LLM 辅助的设备检验。它将日志分割为功能证据单元，通过 Shapley 风格估计每个单元对下游诊断的贡献，并在受限记忆预算下保留高价值证据。在真实数据集上，ConMem 的 QA 准确率达到 76.0%，超过最强基线；相比朴素 8K 上下文 LLM 基线，平均输入 token 减少 88.2%，响应时间减少 86.6%。
Development
- First ReportConMem: Contribution-Aware Memory for Long-Horizon Manufacturing Inspection LogsarXiv cs.AI
- Current Assessment该研究展示了 LLM 在工业检验等垂直领域的应用潜力，通过贡献感知记忆框架，可以在资源受限的情况下实现高效的早期风险筛查。这预示着 AI 在制造业质检、设备维护等场景的落地可能加速，推动行业从人工检查向人机协同的智能筛查转变。Agent Pulse · analysis
ConMem 论文提出了一种贡献感知记忆框架，用于长周期制造检验日志的 LLM 辅助早期风险筛查。现有 RAG 系统将历史日志视为静态语料，不评估其诊断价值，导致早期风险报告不足。ConMem 首先将日志分割为功能证据单元，然后通过 Shapley 风格估计每个单元对下游诊断的贡献，最后在受限记忆预算下保留高价值证据。实验表明，ConMem 在真实数据集上达到 76.0% 的 QA 准确率，超过最强直接可比基线；相比朴素 8K 上下文 LLM 基线，平均输入 token 减少 88.2%，响应时间减少 86.6%。消融研究显示，功能角色感知分割和基于贡献的估值有助于优先处理弱退化信号。
ConMem 的核心创新在于将记忆管理从静态检索转向贡献感知的主动筛选。通过 Shapley 风格估计，它量化每个日志单元对诊断的边际贡献，从而在有限记忆预算下保留高价值证据。这种方法显著降低了 token 消耗和响应时间，同时保持高准确率，表明在长上下文场景中，选择性记忆比简单扩展上下文更有效。
该研究展示了 LLM 在工业检验等垂直领域的应用潜力，通过贡献感知记忆框架，可以在资源受限的情况下实现高效的早期风险筛查。这预示着 AI 在制造业质检、设备维护等场景的落地可能加速，推动行业从人工检查向人机协同的智能筛查转变。
ConMem 通过减少 token 消耗和响应时间，降低了 LLM 在工业检验中的推理成本，同时提高了早期风险筛查的准确性。这为制造业提供了可负担的 AI 质检方案，可能提升设备维护效率，减少停机时间，带来显著的经济效益。
未来，ConMem 框架可能扩展到其他长文档分析场景，如法律、医疗记录等。可验证的下一信号包括：该框架在更多工业数据集上的验证、与实时监控系统的集成，以及基于贡献估值的记忆管理在其他领域的应用。