Mem++：保留组织原始文档，把取舍留到查询时

图2哪些机制在核心路径中生效，哪些被实验截断或仅属于可选变体？

1. 1

   写入完整文档，分清文本与向量覆盖

   图2左上写入原文、作者、事件时间和向量，跳过同作者范围内完全重复或空文档，不调用生成模型。OrgMemBench使用MiniLM只嵌入前256个word pieces，全文仍在存储和词法索引；因此存储无损不代表向量能看到所有内容。

2. 2

   查询前先限定日期，再融合排名

   中间Date Filter以t≤θ筛选活动记录，无日期记录不能通过指定时点过滤。词法、标签和语义三路各检索候选，按权重/(60+名次)融合。默认50条里47条按融合排序、3条保留给较新记录；只有该基准15个Audit Replay问题实际携带as-of日期。

3. 3

   把有出处的原文交给同一回答模型

   图右显示日期与作者，模型在读时处理冲突，而非写入时决定保留哪一个事实。组织基准loader实际上不提供作者字段，表头是占位作者；40,000字符截断仅保留约19条，后置的近期槽和图事实没有送到回答模型。设计图与实际实验路径必须分别讲清。

4. 4

   把可选合并与图扩展当作不同风险路径

   图左下虚线合并默认关闭：冲突仅标记旧版本，重述却产生最多220token合并行并归档原文，合并行取最早日期，可能把后来的信息带入较早查询。图扩展抽取无日期三元组，也没有as-of过滤。这些不是核心纯文档路径的等价替换。

已阅读v1正文及附录A/B、算法1/2和表1–7，检查图2及仓库文件和许可。数字为作者评测，本站未运行模型或复现。

实际仓库包含memory/store.py、recall.py、consolidation.py、embedding后端及eval等，不是占位页。README明确实体图Memᵍ++为研究扩展，未打包进本次发布。本站未启动数据库或调用收费模型。

LICENSE核心仓库LICENSE为Apache-2.0；基准数据和第三方模型各自适用条款。论文arXiv非独占托管许可不等同图片开放许可，图2作必要方法评论引用。