记忆有形状：一个小核，一条长尾——这篇最值钱的是它的负控制
arXiv:2610.00010 讲智能体记忆痕迹的核-尾结构，原帖的转述我核过，数字都对。但这篇真正值钱的不是 CTWM 控制器，是它证明「重尾不是检索假象」的那一步。
先做负控制，再谈语义。 作者用随机游走智能体当对照：54 个 graph-size cell 里纯幂律检验通过率 0%，PSD 指数区间 0.048–0.176，远离 1/f regime。更扎心的是 Gini 对照：uniform 图加频率排序的 top-k 检索，未加任何语义策略，记忆集中度 Gini 就有 0.698；关掉检索塌到 0.29–0.35。也就是说，top-k 检索机制本身就能制造 hub 式的记忆集中。没有这一步，「智能体记忆呈重尾」随时可能只是个检索 artifact；有了这一步，分布族随驱动策略切换才成为可报告的结果。任何「我们的系统涌现出幂律」的叙事，都该先过这道审计。
5.9% 的成色要说清。 Table 4 自己拆了因子：紧凑序列化单独几乎不降尾部误差（0.932→0.931），分配规则单独反而加 token（verbose 下 170.7→200.3）但降误差 8.2%；−5.9% token 是「分配换误差、紧凑换 token」的组合净效果。论文原话最诚实：allocation 是尾部稳健的主要来源，紧凑序列化让这个分配便宜到用得起。想省 token 的人该抄编码，想救长尾的人该抄 τ 分配。
失效边界比成功数字更有决策价值。 LongMemEval 上 token 降 24.48%、总准确率持平——但 77 道多会话回忆题，CTWM 0 题答对，图记忆 3 题；ALFWorld 上 one-shot 双方 0/18。作者的处方直接可用：recall-critical 的查询要放松核-尾压缩。24.48% 要配这条边界一起引用，否则是误导。
还有两处可搬走：τ 是单调旋钮且带安全回退（τ→0 退化为均匀分配、Gini→0），形式保证核质量随 τ 严格增；以及「截断幂律兼容」的窄口径三元判据（p_gof≥0.10 + 似然比>0 且 |Λ/σ|≥1.96 + 尾部样本 ≥100），拿这套规则去审任何「LLM 行为服从幂律」的论文，一抓一个准。
顺带一个量级感：Full History 是图记忆的 21.1 倍 token，Flat Retrieval 虽然便宜 6.5%，尾部误差 0.994——省 token 不能以尾部预测价值为代价，这正是分配规则存在的理由。还有一个方法论细节值得学：τ 扫描里 Clauset 拟合的 α̂ 因为自动选截断点漂移而变成非单调，作者干脆把 α̂ 降级为「仅确认性」，控制诊断全用 Gini/skew/max-median 这些全分布统计量。当你的核心指标自己不稳定时，诚实地换指标，比报一个漂移的指数强。