EM-LLM：受人类启发，用于无限上下文LLM的事件记忆

本文介绍了EM-LLM，这是一种通过结合人类启发式的事件记忆来增强大型语言模型（LLM）的新方法。其核心思想是允许LLM保留和回忆过去的经验，从而可能提高在需要长期上下文和推理的任务上的性能。使用“无限上下文”表明重点在于克服当前LLM在处理大量输入序列方面的局限性。Hacker News的来源表明，这很可能是在人工智能研究界内的技术讨论。

• •EM-LLM旨在通过整合事件记忆来改进LLM。
• •重点是使LLM能够处理“无限上下文”。
• •该方法受到人类记忆系统的启发。