Amazon 论文提出 FEB-30 智能体记忆评测基准
热点事件持续更新
Amazon 论文提出 FEB-30 智能体记忆评测基准
2 篇报道2 个报道来源2 小时前更新
先了解这件事
AI 综述
Sebastian-Antonio Toma 等作者提出并发布 FEB-30 智能体记忆评测基准，用 30 条脚本化事实轨迹生成 147 篇文档，在每步已知正确记忆状态的前提下，直接对比智能体存储的事实与下游问答（QA）分数，而非仅以 QA 准确率作为代理指标。 在类 Mem0 和 Hindsight 的记忆系统上，两种评估平均相差 16.8 分，21% 的事实轨迹通过/失败判定不一致；这些系统选对更新、强化等记忆操作的比例仅 20.1%，而 QA 评估无法发现这一点。 该基准覆盖 6 个诊断类别和 3 个难度等级，采用“范式反转”方式构建：先设定已知的事实轨迹，再据此生成文档，从而得到无需人工标注的确定性标准答案。作者称，这一设计意在重新思考如何评估 AI 智能体的记忆能力。
AI 根据报道生成 · 58 分钟前更新
最新进展10月19日 14:02
Amazon 论文提出 FEB-30 基准：仅靠 QA 分数无法评估智能体记忆系统报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- RadarAIAmazon 论文提出 FEB-30 基准：仅靠 QA 分数无法评估智能体记忆系统
Amazon 论文提出 FEB-30 基准，用 30 条脚本化事实轨迹生成 147 篇文档，在每步已知正确记忆状态的前提下，直接对比存储事实与 QA 分数。在类 Mem0 和 Hindsight 的记忆系统上，两种评估平均相差 16.8 分，21% 的事实轨迹通过/失败判定不一致；系统选对更新、强化等记忆操作的比例仅 20.1%，而 QA 评估无法发现这一点。
10月16日
- arXiv cs.CL超越下游问答：重新思考如何评估 AI 智能体记忆
研究提出 FEB-30 基准，用 30 条事实演化轨迹（覆盖 6 个诊断类别、3 个难度等级）直接检验智能体记忆存储，而非以下游问答准确率作为代理。
本事件热度走势
- 可比范围当前
- 9
- 可比范围峰值
- 910月19日 16:00
- 近 24 小时变化
- –
02.557.510
10月17日12:0010月18日12:0010月19日12:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。