Amazon 提出 FEB-30 智能体记忆基准

Amazon 提出 FEB-30 智能体记忆评估基准，用 30 条脚本化事实历史生成 147 份文档，使每份文档处理后的正确记忆状态已知。该基准用于检验仅靠 QA 分数能否评估智能体记忆系统。 在类 Mem0 与 Hindsight 的记忆系统上，存储事实得分与 QA 得分平均相差 16.8 分，21% 的事实历史通过/失败判定不一致；系统选对 update、reinforce 等记忆动作的比例仅 20.1%，而 QA 分数完全看不出这一点。Amazon 据此称，仅靠 QA 分数无法评估智能体记忆系统。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。