亚马逊论文指出 QA 评测漏判 Agent 记忆故障

亚马逊团队联合克卢日-纳波卡技术大学发布 arXiv 论文《Beyond Downstream QA: Rethinking How We Evaluate Agent Memory》,指出当前 Agent 记忆评测只依赖下游问答测试存在盲区,可能漏判记忆系统故障,两套打分方法差异可达 16.8 分。论文提出 FEB-30 基准,主张以内测方式直接检查存储内容,重新审视 Agent 记忆评测范式。

2026-10-19 ~ 2026-10-19 · 2 条相关

• 亚马逊论文:仅靠 QA 评测会漏判 Agent 记忆故障,两套打分差 16.8 分 — rohanpaul_ai · 2026-10-19
• arXiv 原文:Beyond Downstream QA,FEB-30 记忆基准直查存储内容 — rohanpaul_ai · 2026-10-19