Glance论文提出让生成器兼任重排序器，通过轻量适配器和指针头从共享预填充中为候选段落打分，仅保留一个9B骨干。每个决策技能仅增加约0.1 GiB内存；经39分钟MS MARCO微调后，其SciFact和NFCorpus nDCG@10分别为0.741和0.345，高于bge-reranker-v2-m3的0.721和0.326。
推荐理由：Glance将重排序与生成整合到单一9B骨干，仅增加约0.1 GiB内存，并以微调后的指标对比现有重排器，为RAG架构选型提供具体参考。
研究团队通过多基准和多模型骨干的大规模评测，发现许多专用记忆系统在许多情况下不如朴素 RAG，呈现出负的净价值。作者以 RAG 为参照，将净价值拆为记忆收益与记忆税，从系统与评测两侧分析其成因，并将该概念推广到更多记忆应用场景。作者表示将向社区开源代码和结果，项目页为 https://hexuan21.github.io/MemoryTax/。
推荐理由：论文以朴素 RAG 为参照，把专用记忆系统的收益与证据损失拆开衡量，并聚焦常被忽视的记忆税，为长时程智能体的记忆设计和评测提供分析框架。
Ai2 与 University of Pennsylvania 团队开发了 LitPivot，一套面向早期研究构思的系统，可围绕提案的问题、贡献和评测组织文献，并给出有论文摘录支撑的批评与修订建议。
推荐理由：LitPivot 将研究想法拆为问题、贡献和评测三个维度，并用 17 人实验检验文献支撑表现，为文献驱动的构思与修订流程提供交互设计参考。
研究团队发现，Raw-RAG 在七组基准模型设置中的六组位居所比较系统首位，较最强智能体记忆系统高 0.13-5.53 分。该方法仅对未处理的对话历史做稠密检索和重排，并在 LoCoMo、LongMemEval、MEME 和 MemoryAgentBench 上评估。证据分析显示，较高的必要证据覆盖率可以抵消较低利用率；完整访问转换后的记忆存储，准确率仍低于原始证据方案。
推荐理由：这项研究用四个基准对比原始历史检索与复杂智能体记忆，量化了必要证据覆盖率与证据利用率之间的差异。
研究提出 Deep Fusion Memory（DFM），用因果记忆预测器生成 chunk 级参数记忆，并通过门控交叉注意力将其融入大语言模型的中间隐藏状态。训练时以语料检索到的 chunk 嵌入作为监督，在冻结骨干的条件下端到端训练预测与融合，推理时无需显式检索，构建训练数据所需的检索查询量和条目量分别少 32 times 和 2048 times。
推荐理由：论文将参数记忆预测与门控交叉注意力融入模型中间层，并给出相对现有方法的训练数据构建成本和问答性能对比。