Amazon 论文提出 FEB-30 直接评测 Agent 记忆存储

亚马逊发布论文指出，Agent 记忆 benchmark 只看问答分数会掩盖真正失效的环节：强 LLM 能掩盖坏掉的记忆存储，检索失手也能让正确的记忆显得糟糕。 为此论文提出 FEB-30 基准，用 30 条脚本化事实历史转成 147 份文档，使每份文档后的正确记忆状态都已知，从而可直接检查存储事实而非依赖问答得分。 该结论出自亚马逊这篇论文。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。