SuperLocalMemory V3 — L3 Cross-Paper Synthesis #

§1 相关论文 #

SLM V3 是 V2 → V3 的自然演进：V2 建立了 local-first trust defense 基础设施，V3 在其上增加数学质量层 [2603.14588]。CMV 的 DAG 模型与 SLM V3 的 entity graph 在拓扑结构上有相似性（both are directed graphs over memory units），但语义完全不同：CMV edges = "forked from"，SLM V3 edges = "shares entity" [2602.22402] [2603.14588]。

§2 本篇 vs 相关论文的 delta #

SLM V3 vs SLM V2 #

Evolution narrative: V2 = "local architecture + trust defense" (安全贡献), V3 = "information-geometric retrieval" (质量贡献) [2603.02240] [2603.14588]。V2 的 Layers 2–4 对 ranking 贡献为零的致命弱点 [2603.02240] 在 V3 中被 Fisher metric (+10.8 pp) 和 cross-encoder (+30.7 pp) 修复。

SLM V3 vs CMV #

矛盾检测: CMV 的 autocompaction 是 "lossy"（98% 信息损失）[2602.22402]；SLM V3 的 Langevin lifecycle 是 "principled forgetting"（重要 memories 向原点、不重要向边界）。两者对"遗忘"的态度不同：CMV 视为需要避免的损失，SLM V3 视为需要管理的资源。

SLM V3 vs Qualixar OS #

Qualixar OS 列出 SLM V2/V3 为 predecessor [2604.06392]，暗示其记忆子系统可能直接或间接使用 SLM 基础设施。V3 的 sheaf cohomology 一致性检测 ($H^1 \neq 0$ = contradiction) 与 Qualixar OS 的 consensus judge pipeline (Shannon entropy 分歧度量) 在功能上重叠：两者都检测多源信息的不一致，但 V3 提供拓扑代数保证，Qualixar OS 使用统计检测。

§3 可攻击面 #

1. Fisher metric "reduces to cosine" on benchmark: Graduated ramp 需要 $n_{\text{access}} \geq 10$ 才能完全激活 Fisher weighting，但 LoCoMo 是 single-pass evaluation（所有 memories 的 $n_{\text{access}} = 0$）[2603.14588]。论文报告的 +10.8 pp Fisher 贡献实际来自 signal-magnitude variance heuristic（初始 ramp），不是 converged Fisher estimates。Theorem 6.1 在报告实验中大部分未被激活。
1. Cross-encoder dominates: Ablation 显示 cross-encoder 移除导致 -30.7 pp，Fisher 仅 -10.8 pp [2603.14588]。如果 cross-encoder 是已有成熟技术（bge-reranker），V3 的"数学基础"贡献被稀释——大部分提升来自工程决策（使用 cross-encoder reranking），而非 information-geometric innovation。
1. Sheaf cohomology 贡献仅 -1.7 pp: LoCoMo 几乎没有矛盾数据 [2603.14588]。理论机器（整个 §5.4 + Appendix proofs）对当前 benchmark 的 practical value 极低。需要专门包含矛盾信息的 benchmark 来验证。
1. 与 SOTA 差距仍大: SLM V3 Mode A = 74.8%, EverMemOS = 92.3% [2603.14588]。-17.5 pp 差距意味着 local-first + zero-LLM 的约束在当前技术水平下有显著质量代价。

§4 生态位 #

SLM V3 定位为 "theoretically-principled local agent memory"：

Heuristic cloud memory (Mem0: 64.2%) → Mathematical local memory (SLM V3: 74.8%) → SOTA cloud memory (EverMemOS: 92.3%)

V3 的生态位是"超越 heuristic 但低于 SOTA"的中间地带，trade-off 是 privacy/cost（zero-LLM, local-first）vs quality（-17.5 pp）。Fisher metric 的理论优势在 scale ($N = 10^5$, Proposition 7.2) 会放大——但当前 benchmark 规模不足以展现这一优势。

采纳信号: 无独立仓库 URL（仅声明 builds on V2）。V2 有 GitHub (MIT license)，但 V3 的额外数学层实现状态不明。

§5 未探索方向 #

1. CMV DAG + SLM V3 sheaf: 将 CMV 的 DAG state model 嵌入 SLM V3 的 sheaf 一致性框架——当不同 session branches 产生矛盾性记忆时，sheaf cohomology 自动检测并创建 supersedes edges。这将 CMV 的 structural branching 与 V3 的 consistency checking 统一。
1. Trust score as Fisher variance prior: V2 的 per-agent trust score 作为 V3 Fisher metric 的 variance prior——low-trust agent 产生的 memories 初始化为高 $\sigma^2$（低检索权重），需要多次 verified recall 才能降低 variance。这将 binary trust enforcement (V2) 替换为连续 information-geometric weighting (V3)。
1. Langevin dynamics + Qualixar OS session tracking: 利用 Qualixar OS 的 event bus 实时推送 memory access events 给 SLM V3 的 Langevin update——当 memory 被 Qualixar OS 编排的多 agent 团队频繁引用时，其 Poincaré ball position 被推向原点（高重要性），实现编排层→记忆层的自动反馈。