← 返回 PaperDaily 大模型与智能体

RUMBA来了：俄语长记忆基准把模型短板照得很清楚

长期记忆这件事，很多模型平时看着挺聪明，一到多会话、跨时间、隐式时间表达就开始露馅。RUMBA把俄语场景拆成三轴诊断题，直接告诉读者：到底是忘了、算错了，还是时间没看懂。

龙哥读论文发布于 2026-08-14 09:11:24 阅读 3 查看原文

#大语言模型 #数据集 #Agent

原论文信息如下：

论文标题:
RUMBA: Russian User Memory Benchmark

发表日期:
2026年07月发表单位:
DAIMLD 原文链接:
https://arxiv.org/pdf/2607.21447v1.pdf

俄语大模型记忆能力堪忧：RUMBA基准揭示当前模型的致命短板

大模型现在最爱干的一件事，是把“记住你”说得特别漂亮；真正轮到跨会话、跨时间、还要处理“上周说的”和“今天改口的”这种问题时，很多模型就开始装傻了。RUMBA（Russian User Memory Benchmark，俄语用户记忆基准）就是专门来拆穿这件事的：它不问模型会不会聊天，而是问它到底会不会记人、记事、记时间，还能不能把“忘掉这件事”也执行到位。这个基准的独特之处在于，它不再满足于给一个笼统的“记忆准确率”，而是通过精心设计的分类体系，让每一次错误都能被追溯到具体的能力短板——是信息检索失败、时间理解混乱，还是跨会话整合时丢失了关键线索。这种诊断能力对于开发真正可用的对话式AI至关重要，因为在实际产品中，用户不会只问“我叫什么”，而是会问“我上次说的那个计划，后来改过的那一版，现在还能用吗”。

图1：RUMBA基准与标注框架总览。图中展示了数据规模、用户—助手对话示例、问答样例，以及用于分类记忆问题的多维标注体系。从图中可以直观看到，RUMBA的对话并非简单的单轮问答，而是包含多个会话、带有时间戳的连续交互，这为评测模型的长期记忆能力提供了坚实基础。

这篇论文最有意思的地方，不是“又做了一个基准”，而是它把记忆能力拆成了能定位问题的诊断题。模型如果答错，读者能知道它是检索失败、时间理解失败，还是多会话整合失败，而不是只看一个冷冰冰的平均分。这种细粒度的诊断能力，使得RUMBA不仅是一个评测工具，更是一个指导模型改进的“导航仪”。例如，如果某个模型在“多会话+隐式时间”的切片上得分极低，开发者就可以有针对性地优化模型的时间推理模块或跨会话信息整合机制，而不是盲目地调整整个模型。

细粒度分类体系：三轴正交设计的精妙之处

RUMBA的核心，不是“题目更多”，而是“题目更会拆”。它没有把所有记忆问题粗暴塞进一个大筐里，而是用三条彼此独立的轴来标注：语义轴、数量轴、时间性轴。这种正交设计的好处是，任何一个问题都可以被唯一地映射到一个三维坐标点上，从而实现对记忆能力的精确刻画。例如，一个问题可以是“多会话+推理+隐式时间”的组合，而另一个问题则是“单会话+抽取+显式时间”。这种组合爆炸式的分类方式，使得RUMBA能够覆盖远比传统基准更丰富的记忆场景。模型一旦翻车，原因就不再含糊——是语义理解不到位，还是跨会话整合失败，抑或是对时间线索不敏感，一目了然。

图2：RUMBA分类体系总览。语义轴把问题分成信息抽取与推理两大类，数量轴区分单会话与多会话，时间性轴则区分时间问题与非时间问题。三轴组合后，问题不再是“一个标签走天下”，而是可以做交叉诊断。这种设计使得研究者可以像做“CT扫描”一样，从多个维度审视模型的记忆能力，而不是只拍一张“X光片”看个大概。

表2：RUMBA分类汇总。这里的“静态用户信息”“更新信息”“删除信息”“日历理解”“时间常识”等类别，说明它不是只盯着“记住事实”，还把“更新、删除、拒答、时间推理”一起纳入了记忆范畴。特别值得注意的是“主动遗忘”这一类别，它要求模型在用户明确要求删除某条信息后，能够正确地回答“不知道”或“没有这条信息”，而不是继续“背诵”已被删除的内容。这在实际应用中至关重要，例如在涉及用户隐私或数据合规的场景下，模型必须能够精确地控制记忆的边界。

这里面有个很关键的点：时间性不是一个孤立任务，而是一种可以和所有语义操作组合的维度。这比传统“时间推理题”更狠，因为现实里的记忆问题从来不是单独出现的。用户问“上个月改过的那个安排现在是什么”，本质上就是“抽取 + 更新 + 时间约束”三连击。这种复合型问题对模型的挑战远大于单一维度的测试，它要求模型不仅要能检索到信息，还要能理解信息之间的时序关系，并基于当前的时间点做出正确的判断。RUMBA通过三轴正交设计，系统地覆盖了这些复合场景，使得评测结果更具现实意义。

更有意思的是，RUMBA还把主动遗忘也纳入了基准。用户明确说“删掉这个”“忘掉这件事”之后，模型正确答案不是继续背诵，而是承认“没有这条信息了”。这件事看起来小，实际上非常像真实产品里的合规要求：记住不难，会删、会不答、会控制记忆边界才更接近可用系统。在RUMBA的评测中，如果一个模型在“删除信息”类别的问题上得分很低，说明它可能缺乏对记忆进行动态管理的能力，这在需要处理用户敏感数据的场景下是一个严重的缺陷。

数据构建与验证：人工参与的严谨流程

这类基准最怕两件事：一是数据太假，二是标注太粗。RUMBA在这两点上都尽量往“可诊断”靠。它的对话不是简单拼接的脚本，而是带时间戳的用户—助手多会话对话；用户侧话语由人工撰写，助手回复则由俄语大模型生成，再经过验证与修订。这样做的目的很朴素：尽量减少纯合成对话那种“看着像人说话，其实像模板拼盘”的味道。人工撰写的用户话语能够更好地模拟真实用户的表达习惯、口吻和逻辑，包括那些不完整的句子、重复的表述以及隐含的意图，这些都是纯合成数据难以复现的。而使用大模型生成助手回复，则可以保证回复的质量和一致性，同时通过人工验证来修正可能出现的错误或不自然之处。

表3：RUMBA数据集特征与统计。总共有85段对话、1543个问题，平均每段对话约34万字符，单段对话里包含12到85个会话。这个规模已经不是“短聊天测试”，而是实打实的长上下文记忆压力测试。34万字符的对话长度，意味着模型需要处理的上下文远超大多数现有基准的规模，这迫使模型必须具备高效的长距离信息检索和整合能力。单段对话中12到85个会话的跨度，则模拟了用户与助手之间长期、持续的交互过程，其中信息可能被多次提及、修改或删除，对模型的记忆管理能力提出了极高的要求。

图12：对话主题与人物分布总览。对话人物覆盖成人与儿童，主题从健康、音乐、电影延伸到俄罗斯社会文化内容，说明数据不是为了凑题而凑题，而是尽量贴近真实用户长期互动场景。这种多样化的主题和人物设定，有助于评测模型在不同领域和不同用户画像下的记忆表现，避免模型只在特定领域表现出色而在其他领域表现不佳的“偏科”现象。例如，一个在健康话题上记忆良好的模型，未必能在电影推荐场景中同样准确地记住用户的偏好。

数据构建流程也比较讲究。首先设计分类体系，再逐步写入信息抽取题、推理题和时间题；随后由26名参与者在20个工作日内完成对话与问答构建，并进行交叉验证。这里最值得认可的是，论文没有把“质量控制”当口号，而是明确做了验证阶段，连证据会话都要人工核验。对记忆基准来说，这一步非常重要，因为一旦证据链错了，后面的评测再花哨也是白搭。交叉验证的流程确保了每个问题都有明确且正确的答案来源，避免了因标注错误导致的评测偏差。例如，如果一个问题的正确答案应该来自第3个会话，但标注者错误地将其关联到第5个会话，那么模型即使答对了，也可能是因为运气而非真正的记忆能力。

图8：作者说明与数据采集要求。参与者需要先理解任务说明、分类体系和对话构造要求，同时避免在对话中引入个人敏感信息，这种约束能减少数据泄漏和不必要的隐私风险。这种对数据隐私的重视，也使得RUMBA数据集在发布和共享时更加安全，降低了因数据中包含真实个人信息而引发的伦理和法律风险。

图9：证据标注提示模板。该图展示了验证阶段如何要求标注者判断某个会话是否真的提供了回答问题所需的证据，这种做法比“看起来相关就算”严谨得多。通过明确的证据标注提示，标注者需要仔细阅读对话内容，判断信息是否完整、准确，并排除那些虽然主题相关但并未提供关键信息的会话。这种严格的证据链验证，确保了评测的公正性和准确性。

英文子集也不是简单机器翻译后直接开跑。论文先用自动翻译生成对齐英文版本，再抽取10%样本做人审，并用POLLUX标准评估翻译质量，最后对问答对和证据会话逐条校正。这个流程虽然费事，但逻辑很清楚：如果连翻译质量都不稳，跨语言诊断就会变成“翻译噪声诊断”，那就尴尬了。通过多轮人工审核和翻译质量评估，RUMBA确保了英文版本与俄语版本在语义上的一致性，使得跨语言的比较分析成为可能。这对于研究模型在不同语言下的记忆能力差异，以及开发多语言记忆系统具有重要价值。

表4：俄英版本上下文长度。俄语版本平均对话文本超过34万字符，加入角色信息和答案提示后还会更长。这个量级决定了很多常规长上下文模型并不是真的“长”，只是“比短的长一点”。面对34万字符的上下文，许多标榜支持128K或200K token的模型可能会在性能上出现显著下降，甚至无法有效处理。RUMBA通过设置如此高的上下文长度门槛，实际上是在筛选那些真正具备长距离依赖处理能力的模型。

全面评估：RAG系统 vs. 全上下文模型

评估部分的思路很实在：一边是全上下文模型，把整段历史直接塞给模型；另一边是检索增强式记忆系统，先存、再检索、再回答。前者像“把整本档案馆搬进脑子里”，后者像“先建索引再翻卷宗”。两者都能做记忆，但成本、可扩展性和失败模式完全不同。全上下文模型的优势在于信息完整，不会因为检索遗漏而丢失关键线索，但其计算成本随上下文长度线性增长，且模型在处理超长文本时容易出现“迷失在中间”的问题。RAG系统的优势在于成本可控，可以处理理论上无限长的历史，但其性能高度依赖于检索模块的质量，一旦检索失败，后续的回答就无从谈起。

图10：RUMBA验证与评测流程。数据先进入“add”阶段形成用户专属记忆库，再在“eval”阶段检索相关记忆并交给回答模型生成答案，最后由LLM-as-Judge进行评分。这个流程的价值在于统一了不同记忆系统的比较方式。无论是全上下文模型还是RAG系统，都遵循相同的“记忆构建-检索-回答-评分”流程，从而确保了比较的公平性。例如，对于全上下文模型，“add”阶段就是简单地拼接所有历史对话，而“retrieve”阶段则是直接将整个拼接后的文本作为上下文输入。

论文评估了两类基线。第一类是全上下文模型，包括多种长上下文大模型；第二类是Agent/RAG式系统，包括简单向量检索、mem0、graphiti、cortex、memOS等。这里有个很重要的设置：记忆系统都用同一个回答模型，避免“谁回答器更强”干扰“谁记忆更好”的判断。这个控制变量做得很对，不然最后就会变成模型口味大乱斗。通过固定回答模型，论文能够将性能差异归因于记忆系统的设计差异，例如检索策略、记忆存储结构、更新机制等。这使得RUMBA的评测结果对于记忆系统的开发者具有直接的指导意义。

表5：总体结果。这里能看到，不同方法在俄语和英语上的表现差异明显；一些全上下文模型已经能跑出不错分数，但记忆系统里也有少数方法在俄语上不差，说明“检索式记忆”不是天然弱，只是很依赖结构设计和存储质量。例如，某些RAG系统通过引入图结构或时间戳索引，在跨会话和时间推理任务上取得了与全上下文模型相当甚至更好的结果，这表明精心设计的记忆系统可以弥补检索带来的信息损失。

表6：与gpt-4.1-mini的直接对比。论文把回答器固定后再比较记忆层，能更清楚地看出到底是“记忆结构”在起作用，还是“回答模型”在抢戏。这个设计很像做实验时把噪声源一个个拔掉，结果就不那么玄学了。通过固定回答模型为gpt-4.1-mini，论文能够直接比较不同记忆系统（如mem0、graphiti等）在相同“大脑”下的表现差异，从而精确评估每种记忆系统的优劣。

评测指标也比较务实：主指标是LLM-as-Judge准确率，辅以F1。前者更接近“答案对不对”，后者则补充了词面重合度。对长对话记忆这种任务来说，单看F1很容易把“差不多”误当“答对了”，所以双指标一起看更稳。LLM-as-Judge通过让一个强大的语言模型（如GPT-4）来评判答案的正确性，能够更好地理解语义等价性，避免因措辞不同而误判。而F1分数则提供了一个基于词级别的精确匹配度量，两者结合可以更全面地评估模型回答的质量。

图14：LLM裁判提示模板。不同语言使用不同裁判模型，俄语用POLLUX，英语用DeepSeek-R1，并统一采用同一套判分逻辑。这样做的好处是评测流程更一致，坏处是裁判本身仍可能带来一定偏差，所以论文也做了人工误差分析。通过使用针对特定语言优化的裁判模型，可以提升评判的准确性，但不同裁判模型之间的差异也可能引入新的偏差。论文通过人工误差分析来量化这种偏差，使得读者能够更客观地理解评测结果。

表10：裁判错误人工分析。这个表很关键，因为它提醒读者：LLM裁判不是神，也会犯错。论文没有假装裁判绝对正确，而是老老实实分析了误判来源，这种透明度很加分。通过分析误判案例，论文揭示了LLM裁判在哪些情况下容易出错，例如当正确答案与模型生成答案在语义上等价但表述差异较大时，或者当问题本身存在歧义时。这种分析为后续改进评测方法提供了宝贵的方向。

核心发现：会话跨度与时间推理是最大挑战

RUMBA最有价值的地方，不是告诉大家“谁第一”，而是告诉大家“为什么会输”。从结果看，多会话、时间推理、显式与隐式时间表达，都是模型最容易掉链子的地方。换句话说，模型不是不会背，而是很难在“什么时候说过、后来有没有改、这条信息现在还算不算数”之间保持一致。这一发现揭示了当前大模型在记忆能力上的一个根本性缺陷：它们擅长从静态文本中提取事实，但难以处理动态变化的信息和复杂的时间关系。这对于构建能够进行长期、连贯交互的对话代理来说，是一个亟待解决的关键问题。

表11：全上下文与RAG在主要切片上的对比。可以看到，很多差异不是“整体水平差一点”这么简单，而是集中出现在特定切片上，比如时间相关问题和多会话问题。这正说明RUMBA的细粒度标注是有用的。例如，某些全上下文模型在单会话、非时间问题上表现优异，但在多会话、时间推理问题上却大幅下滑，这说明其长上下文处理能力存在“偏科”现象。而某些RAG系统虽然在整体得分上不如全上下文模型，但在特定切片上却表现更好，这为混合系统的设计提供了思路。

表12：单会话与多会话难度对比。多会话问题普遍更难，这不意外，但难点不只是“信息更多”，还在于信息分散在不同时间点，模型需要先找对会话，再把碎片拼起来。多会话问题的挑战在于，模型不仅要记住信息本身，还要记住信息是在哪个会话中出现的，以及不同会话中的信息之间是否存在冲突或更新关系。例如，用户可能在第一个会话中说“我喜欢蓝色”，在第五个会话中说“我现在更喜欢红色”，模型需要能够识别出这是对同一偏好的更新，而不是两条独立的信息。

表13：时间性难度对比。时间题比非时间题更难，说明模型并不擅长在对话记忆里稳定维护“时间轴”。这也是很多记忆产品上线后最容易翻车的地方：今天记住了，明天忘了；或者记住了，但把旧信息当新信息。时间推理的难点在于，模型需要理解“之前”“之后”“上周”“下个月”等时间表达的具体含义，并将其与对话中的事件进行关联。例如，当用户问“我上次说的那个计划怎么样了？”，模型需要能够定位到“上次”指的是哪个会话，并从中提取出“计划”的相关信息。

表15：会话跨度与时间交叉分析。这里能看出，最麻烦的往往不是单独的“多会话”或“时间”，而是两者叠加后的组合难题。也就是说，模型一旦既要跨会话，又要看时间，性能就更容易塌。这种组合难题是RUMBA三轴设计价值的集中体现。例如，一个“多会话+隐式时间”的问题，如“我之前提过的那个想法，后来改过一次，你还记得最新的版本吗？”，要求模型同时完成跨会话检索、时间线追踪和信息更新，对模型的记忆能力提出了全方位的挑战。

表16：按时间表达标签的对比。显式时间表达和隐式时间表达之间的差距，说明模型对“直接写出来的时间”相对友好，但对“藏在语境里的时间”就不那么灵光了。人类看一句话能补全上下文，模型经常还得靠猜。显式时间表达如“2023年5月10日”或“上周二”提供了明确的时间锚点，模型可以基于这些锚点进行推理。而隐式时间表达如“后来”“之前”“那之后不久”则需要模型根据对话的上下文来推断相对时间关系，这对模型的语义理解和常识推理能力提出了更高的要求。

表18：俄英语言对比。英文版本整体更好一些，但论文也提醒了一个现实问题：两种语言用的是不同裁判模型，因此语言差异不能简单粗暴地理解成“英语天然更容易”。不过至少可以看出，跨语言记忆评测是值得做的。尽管存在裁判模型差异，但英文版本普遍更高的得分也暗示了当前大模型在英语数据上的训练更充分，其记忆能力可能也更强。这提示我们，在开发非英语的对话系统时，需要特别关注其记忆能力的提升。

图15：按语义类型划分的Agent/RAG热力图。图中最刺眼的不是某个模型“全红”或“全绿”，而是不同语义类型之间的巨大波动，说明记忆系统并不是一个统一能力，而是一组能力拼装件。例如，某个RAG系统可能在“静态用户信息”上表现优异，但在“更新信息”上却表现糟糕，这说明其记忆更新机制存在缺陷。这种细粒度的分析，使得开发者可以精确地定位到系统的薄弱环节，并进行针对性优化。

图16：按语义类型划分的全上下文热力图。全上下文模型在某些推理类问题上更稳，但在抽取、时间和跨会话组合问题上依然会暴露短板。长上下文不是万能药，只是把“记不住”变成“找不准”。全上下文模型虽然能够访问所有历史信息，但如何从海量信息中准确找到并整合出所需内容，仍然是一个巨大的挑战。这类似于人类在阅读一本厚书时，虽然所有信息都在书中，但想要准确回答一个需要跨章节整合的问题，仍然需要很强的理解和检索能力。

论文还给出一个单模型案例分析，点名了Claude Sonnet 4.6在不同切片上的波动。这个部分的意义在于提醒读者：同一个模型在不同任务切片上可能表现完全不同，单看总分很容易把“强项掩盖弱项”。对于做产品的人来说，这比平均分更有参考价值，因为真实用户不会只问一种问题。例如，一个在“信息抽取”上得分很高的模型，可能在“时间推理”上表现平平，这意味着它在回答“我上周说了什么”这类问题时可能不如回答“我的名字是什么”这类问题时可靠。产品经理需要根据产品的实际应用场景，选择在关键能力切片上表现优异的模型。

未来展望：从记忆基准到认知代理

RUMBA更像是一个起点，而不是终点。它真正给行业的启发，不是“俄语记忆又多了一个榜单”，而是把记忆系统该测什么说清楚了：记住、更新、删除、跨会话整合、时间推理、拒答，这些能力必须一起看，少一个都容易把系统高估。未来的记忆基准可能会在此基础上进一步扩展，例如加入对记忆的“重要性排序”“情感关联”或“隐私保护”等维度的评测，从而更全面地模拟人类记忆的复杂性。

对工程落地来说，这种基准的价值也很现实。未来真正的记忆型助手，不应该只是“把历史存起来”，而是要知道什么该长期保留，什么该过期，什么该按时间更新，什么该在用户要求下彻底删除。换句话说，记忆模块不只是数据库，更像一个有规则、有边界、有时间感的认知层。RUMBA通过系统地评测这些能力，为开发者提供了一个清晰的“能力地图”，帮助他们了解当前技术的边界，并指引未来的研发方向。

不过，这篇论文也有边界。首先，俄语数据规模虽然不小，但离“覆盖真实世界所有长期记忆场景”还差得远；其次，LLM-as-Judge虽然方便，但仍然有偏差；再次，检索式系统和全上下文系统的比较，受上下文窗口、检索质量和回答器能力共同影响，不能把所有差异都归到“记忆机制优劣”上。这个判断要客观，不能因为基准做得漂亮就把结论吹成宇宙真理。未来的工作可以在更大规模、更多语言、更多样化的场景下验证RUMBA的结论，并探索更鲁棒的评测方法，例如引入更多人工评估或设计更精细的自动评估指标。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决什么问题？它解决的是“长对话里模型到底记不记得住用户信息”这个老大难问题，而且不是粗放地看总分，而是拆成多会话、时间推理、显式/隐式时间表达、遗忘等多个切片来诊断。这使得开发者能够精确地定位模型的记忆短板，而不是仅仅知道模型“记性不好”。

RAG和全上下文模型有什么区别？全上下文模型是把整段历史直接喂给模型，像“整本档案搬进脑子”；RAG是先把历史存成记忆，再检索最相关的片段。前者更直接，后者更省上下文，但检索质量和记忆结构会强烈影响结果。选择哪种方案取决于具体的应用场景和资源约束。

为什么要把时间性单独拿出来？因为现实记忆不是静态事实问答，很多问题都隐含“什么时候说的、后来有没有变、现在还算不算”。时间一旦混进来，模型就会同时面对检索、更新和推理三种压力，这也是RUMBA最能暴露短板的地方。通过单独分析时间性，我们可以更清晰地了解模型在处理动态信息时的能力边界。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

RUMBA最亮眼的不是某个单点算法，而是把记忆评测做成了三轴诊断框架，还把“遗忘”纳入正式评测，这在长期记忆基准里很实用，也有明确的新意。这种系统性的分类方法为记忆评测领域提供了一个新的范式。

实验合理度：★★★★☆

控制回答器、区分全上下文与RAG、再做切片统计，整体设计比较扎实；不过LLM裁判仍有偏差，且不同语言使用不同judge，解释时要克制。实验设计体现了严谨的科学态度，但评测方法的局限性也需要被正视。

学术研究价值：★★★★☆

这篇工作对记忆评测研究很有价值，尤其适合后续研究时间推理、记忆更新和多会话诊断；它的价值更多在“把问题测清楚”，而不是给出一个万能解法。它为后续研究提供了一个清晰的基准和诊断工具。

稳定性：★★★☆☆

作为基准本身是稳定的，但作为产品标准还需要更多真实用户数据验证；尤其是跨语言、跨域和长期更新场景下，误差来源还不少。基准的稳定性需要在更广泛的实践中得到检验。

适应性以及泛化能力：★★★★☆

三轴设计本身很通用，其他语言和场景也能借鉴；但当前数据主要围绕俄语长对话，泛化到更复杂业务还需要再做迁移验证。其方法论具有很好的可迁移性，但具体结论的泛化需要谨慎。

硬件需求及成本：★★☆☆☆

基准评测本身不算重，但能跑长上下文的模型和检索系统都不便宜，尤其是1M级上下文推理，成本对普通团队并不友好。这在一定程度上限制了RUMBA的普及和应用。

复现难度：★★★☆☆

数据和流程描述较完整，但涉及多种外部模型、裁判模型和翻译验证，复现时仍会遇到接口、版本和评测一致性问题。完整的复现需要一定的工程投入和对细节的把握。

产品化成熟度：★★★☆☆

适合作为记忆系统的诊断工具和研发基准，但离直接上线的“最终答案”还差一步；真正产品要同时处理隐私、更新、删除和长期一致性。RUMBA为产品化提供了重要的评测依据，但产品化本身还需要解决更多工程和伦理问题。

可能的问题：基准很细，但裁判与语言差异仍会影响结论；另外，数据主要是俄语场景，跨域泛化和真实产品闭环还需要更多验证。对RUMBA的结论应持审慎乐观的态度，并在实际应用中持续验证和修正。

主要参考文献

Shevtsova, E., Glebkina, I., Baushenko, M., Gulyaev, P., Fenogenova, A. RUMBA: Russian User Memory Benchmark. arXiv:2607.21447v1, 2026.

LoCoMo, LongMemEval, Mem-Gallery 等相关记忆基准与论文，见原文相关工作部分。

记忆不是背答案，是能记、能改、还能忘。RUMBA把这件事拆得很细，想继续围观大模型“记性”到底行不行，欢迎来龙哥读论文群一起拆基准、聊方法、看门道～

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。长期记忆、对话系统、评测基准、时间推理这些方向，群里最容易聊出真东西。
wechat_helper