https://jiajia.fun/qa/ad93bab8-%E5%89%8D%E8%80%85arxiv%E5%8F%B7-%E4%BD%A0%E6%9F%A5%E7%9C%8B%E6%AF%94%E5%AF%B9%E4%B8%80%E4%B8%8B

# 前者arxiv号：，你查看比对一下

两份都拿到全文了，先说个关键发现：这两篇是同一批人（Yanhong Qian、Qingguo Meng、Xingbo Dong、Zhe Jin 那组）2026 年 9 月 8 日同一天挂上 arXiv 的姊妹篇，机制几乎同构，主要差在“记忆载体”和“底座”。 先说 Bio-Memory本身是什么： 它建在 A-Mem 之上。A-Mem 的记忆单元是结构化原子笔记，有内容、时间戳、关键词、标签、上下文描述、语义 embedding 和双向链接。Bio-Memory 只干一件事——给每条笔记额外挂一个生物特征 embedding（人脸用 ArcFace，掌纹用 CCNet，L2 归一化，余弦相似度），查询时先用当前用户的 probe 对每条笔记做一次二分类验证（阈值取真伪配对分数分布交叉点、按 benchmark 定死），通过的全部进候选池，再在池内按时间排序、按语义相似度取 top-10 交给 LLM。匹配为空就给空记忆上下文，模型只靠参数知识答。权重、笔记构造、图链接、记忆演化全没动。 评测：LoCoMo 的 10 用户共享记忆库（10 个对话各绑一个生物身份），7 个人脸 benchmark + 10 个掌纹协议，问题类型取 Multi-Hop / Temporal / Single-Hop，测试集只抽 10% 子集，指标 token 级 F1 和 BLEU-1。最大平均 gap：人脸在 CALFW 上 F1 27.29% / BLEU-1 21.15%，掌纹在 MS\_Blue 上 25.75% / 19.22%。 现在做对比，我认为你的原始判断大体成立，但有一处要修正： 一、两者解决的是同一个威胁，同样是窄方案。Bio-Memory 的动机段落写得和 Bio-MemArt 一模一样——账号/session 会被共用、复用、忘记登出，所以要拿物理身份当信号。两篇都只把“授权”做成一次阈值化的二分类，都没有委托访问、临时共享、群组可见性、撤销的表达，每条记忆只挂一个模板、天生单属主。所以“哪个更能解决越权”——答案是都不完整，差别不在授权模型，而在放哪儿。 二、Bio-Memory 的授权语义比 Bio-MemArt 更松一点，也更像真的多用户系统。Bio-MemArt 里 KV block 本身就是私有资产，泄漏代价是隐空间里的原始上下文；而 A-Mem 笔记是结构化的、带链接的、会被记忆演化改写和合并的——Bio-Memory 没有处理“演化过程中一条笔记被另一用户的笔记合并/增强”这种情况，谁的身份算谁的，论文没谈。这是它比 Bio-MemArt 多出来的一个风险面，不是优势。 三、工程可行性：Bio-MemArt 更强。它的卖点是证明了身份门和 latent space 检索能共存、cache 复用的效率不塌——prefill token 从 掉到 28.57，这是硬指标，直接说明加了门之后低 token 运行区间还在。Bio-Memory 走的是文本检索路线（all-MiniLM-L6-v2 + A-Mem 的图笔记），token 成本上它本来就比 KV 复用路线高，论文也没报效率侧数据，只有 QA 质量。所以如果你关心“门会不会破坏复用收益”，Bio-MemArt 是把这个问题答了的，Bio-Memory 没答。 四、身份指标：Bio-MemArt 报的是判定成功率（人脸 Owner 95.71% / Non-owner 0.86%，掌纹 97.60% / 2.00%），Bio-Memory 报的是下游 QA gap，不直接报验证误接受率。这意味着 Bio-Memory 你没法直接读出它在生物识别层面的安全性——它把识别错误和检索错误混在 F1 里了。这点 Bio-MemArt 的可读性更好。 五、评测规模两篇一样薄。都是 10 用户池（Bio-MemArt 说最多五个用户，那大概是分协议时的池子大小），都是预抽好的 embedding，没端到端跑识别链路，没有对抗样本、照片攻击、probe 重放。Bio-Memory 还额外有个 10% 抽样的问题，样本量更小，而且它把 LoCoMo 的对话硬绑到生物 benchmark 的身份上，本身就是个合成协议，跟真实家庭/企业共享设备的分布差得远。阈值同样是按 benchmark 定死、不是 per-user 自适应，这个毛病两篇共有。 所以我的结论是分层看： 如果你问的是“越权防护设计得对不对”，两篇是同一个答案——过滤前置、不污染检索打分，这个关键设计都对，但都不是完整方案，还得在存储层做 ACL（按 owner/scope 分库、写时打 scope、检索前过滤），生物特征只当会话级二次校验，尤其要补连续校验，因为一次验证不够（它自己引文里就引了这个结论）。 如果你问的是“哪一篇的证据更扎实、更能支撑工程落地”，我偏向 Bio-MemArt。它多给了一个效率维度，证明门不毁掉 KV 复用的经济性；身份侧指标单独报、可读；而且它做的是 KV cache 这个正在从 serving 优化变成长期记忆底座的更前沿也更棘手的对象。 如果你问的是“哪套更容易接进现有系统”，Bio-Memory 更轻——A-Mem 的笔记层加个字段就行，不用碰 KV、不用碰位置编码那套解耦，但它也就丢掉了 Bio-MemArt 那部分效率论证。 补一句：这俩的差距更像是同一份工作的两个切片，不是两个竞争范式。真要比范式，得等有人像 Collaborative Memory（arXiv:2505.18279）那样把跨用户共享的授权语义本身建模出来，那才是有对照意义的另一极。