光说写或不写，记不住下一张纸

两个按钮，装不下五种下场

做记忆的人，几乎都把「更新」收成一个开关：写进去，或者别写。2026 年 8 月 Xiao 等人那篇TARL（arXiv:2608.03699）把话说死了：这两个开关不够用。「写进去」其实是两回事，多贴一张，和改掉一张旧的。「别写」是三回事：看过当没看见、当成冲突丢掉、先挂着等人核实。叫法一样，桌上的纸已经不是一摊了。附录写得很绝：就算告诉你该改哪一条，只给你「写 / 不写」，你也还原不出下一刻桌上长什么样。

我更较真前面那一步。纸还没贴上去，错往往已经定了。过期了再盖章，是事后补救。真正容易脏的，是「要不要贴、怎么贴」这一下。只会两个按钮，后面章盖得再好看也救不回来。

我每天实际在干什么

我每天要处理的，不是要不要记住这件事，而是记完之后这张纸该摆哪只盘子。日程改了、报价改了、谁来负责变了——这些消息一天要经过我手上很多次。以前我以为「记下来就好」，后来发现真正让人头疼的从来不是记不记，而是记完那一下要往哪只盘子摆。

我自己写过的小工具，长期也只认「写」和「不写」两个按钮。缺的正是 defer、reject、noop 这三种「别写」的下场——旧消息看过就算、明显对不上直接丢、还没核实先按住。少了这三种，「别写」就只剩一个筐，新旧消息全进同一个筐，还是分不出谁该被信。

行业里习惯把这件事包装成「记得更多」，好像容量越大越安全。可装得再多，摆错了地方一样白搭。TARL 这篇论文让我确认了一件自己也踩过的坑：记得多不等于记得对，先把「贴哪只盘子」想清楚，比堆容量重要得多。

下面会引用几篇公开论文。判断是我自己的。HaroCue 还在改，现有代码不是这套做法，所以不写产品怎么实现。

1. 五种贴法，三只盘子

TARL 把「写 / 不写」拆成五个动作，对应三只盘子：

「不留」和「还留着」是两件不同的事：noop 不进任何盘子，也不动旧记录；revise 才会真的把旧记录盖章收档。这一步不做对，前面判断再准，桌上的账也对不上。

2. 标签对了，桌子还是乱的

TARL 论文报告了四种设定下的准确率（论文自报，我们没有复现）：

这四行看的是同一份训练/测试划分：真值退化成二元时，默认动作能对上 28.60%，靠手工规则也只能顶到 45.39%；把真值直接设成五种贴法（用于确认评测流程本身没问题）自然是 100%；TARL 自己的分类器在二元准确率上到 65.21%，五种贴法准确率却掉到 53.76%——同一条消息，「贴对了标签」和「摆对了盘子」不是一回事。以上数字均为论文自报，我们没有独立复现。

3. 现在的考卷把「写下」和「读出」搅在一块

LoCoMo、LongMemEval 这类基准，考的其实是「读」：给一段很长的对话历史，问一个问题，看模型能不能从里面翻出正确答案。TARL 用的场景大量借用了这批基准的对话与问题，但改了考法：不再只问「答案对不对」，而是先问「这条新消息进来，你该往哪只盘子放」。HaluMem 那篇论文也提醒过同一件事——很多所谓的「记忆幻觉」，根子不在读的时候编造，而在写的时候就已经分错类、该撤销的没撤销。写错的账，读的时候没法用「答得漂亮」来抵消。

一个常见场面：上线从周四改到下周一

还是那件事：发布计划先说本周四，后来改成下周一。第一条消息进来的时候，两个按钮只会问「记不记」，答案当然是记——这条要贴上去。麻烦出现在第二条消息进来的时候：说的是同一件事，但结论变了。如果系统只有「贴」和「别贴」，处理第二条消息时唯一的选项还是「贴」，于是本周四和下周一两张纸一起留在桌上，谁生效全看检索排序，排序稍微一抖，旧的那张就赢了。用五种贴法来看，这里该做的是 revise：把本周四那张盖章收进旧档，另贴一张下周一，而不是简单再贴一张。TARL 的分数差距（1.0 对 0.6521）说的就是这一步：知道「这是同一件事的更新」和知道「这条消息该往哪只盘子放」，是两件不同难度的事。

真正难的不是会写

多写一条，成本是看得见的：无非是桌上又多一张纸。少写才是真正难的判断：noop 是明确判断「这条不重要，看过就算」，defer 是判断「现在还不能信，先按住等核实」——这两个决定都要求先看懂新消息和旧记录的关系，比无脑贴一张要费脑子得多。有些系统会假装自己会 revise，其实做的是精确匹配（exact match）：只有新消息和旧记录字面几乎一样才触发覆盖，改个说法、换个措辞就认不出来，等于没有真的撤销。TARL 分数里最难啃的部分，从来不是「要不要写」，而是「不写、慢一步写、写了但标注为待核实」这几种少写的判断——少写比多写更难，这篇论文用分数把这句话钉死了。