arXiv cs.AI· Sheng Wan, Cong Ma, Sichen Dong, Qian'Ang Mao, Chenhan Zhang, Daning Hu, Qiang Yang·· 13 小时前AI 评分31
LLM 智能体社交重返能力评估：找到、返回与重建是三种不同能力
Finding Is Not Returning, Returning Is Not Reconstructing: A Multi-Dimensional Evaluation of Agent Social Re-entry
AI 导读
研究提出“智能体社交重返”多维评估问题，将 LLM 智能体重新参与已沉寂对话的能力拆分为 Finding、Returning、Reconstructing 三项，并构建共享快照评估框架独立测量。对六种 LLM 配置的评测显示，对话重新浮现显著提升目标对话识别，持久记忆与更高的自主定向回复率相关，但两者均未带来上下文重建的一致提升。
正文 · AI 翻译
摘要：随着大型语言模型（LLM）智能体日益参与到持久性的社交环境中，理解其长期社交互动能力变得愈发重要。现有研究虽已推进了长期记忆与对话上下文检索，但对智能体能否自主重新参与此前已不活跃的对话关注较少。特别是，记住过去的互动并不必然意味着智能体能够识别何时应重新访问该对话、决定返回，或重建连贯延续所需的上下文。为探究这一空白，我们提出将智能体社交再进入作为一个多维评估问题，区分三种互补能力：发现、返回与重建。我们开发了一个共享快照评估框架，可独立测量这些维度，从而考察对话重新浮现与持久记忆如何与社交再进入的不同方面相关联。对六种 LLM 配置的评估表明，重新浮现显著提升了目标对话识别能力，而持久记忆则与更高的自主目标导向回复率相关。然而，这两项改进均未伴随上下文重建方面的一致提升。这些结果凸显了访问先前对话、选择重新参与以及维持对话连续性之间的区别。我们的框架提供了一种分别评估这些能力的方法，而非仅依赖记忆检索或对话回复质量。
| 主题： | 人工智能（cs.AI）；社会与信息网络（cs.SI） |
| 引用为： | arXiv:2610.39781 [cs.AI] |
| （或 arXiv:2610.39781v1 [cs.AI] 为本版本） | |
| https://doi.org/10.48550/arXiv.2610.39781 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Sheng Wan [查看邮箱]
[v1]
2026年10月29日 星期四 10:31:18 UTC（882 KB）
来源：arXiv cs.AI · arxiv.org