CVPR 2026南大&字节新作：AI终于记住你会变的口味，个性化暴涨22.4%

原论文信息如下：

论文标题:
PersonaVLM: Long-Term Personalized Multimodal LLMs

发表日期: 未找到日期（CVPR 2026录用）
发表单位: 南京大学、字节跳动
原文链接: https://arxiv.org/abs/2604.13074
项目链接: https://PersonaVLM.github.io

引言：AI助手的"鱼的记忆"能治了吗？

先讲个真实到扎心的场景：你三个月前跟AI助手说"最近焦虑，决定从雪碧改喝可乐"，中间又跟它聊过工作、旅行、养猫的一大堆破事。今天你压力爆棚，随口问"整点啥喝的？"，它却一本正经地回复"根据您的历史偏好，为您推荐雪碧，清爽解腻"。这时候你是不是想把它从手机里抠出来晃一晃，问它"你到底有没有在听我说话？"

这不是段子，这是当下几乎所有多模态大模型（MLLM）的通病，学术界管这叫"静态个性化困局"。现有主流做法分两派：一派靠输入增强，把用户信息塞到提示词里，模型成了"记忆只有七秒"的鱼，聊完就忘；另一派靠输出对齐，用一堆数据微调出固定人设，可用户是会变的，三个月前爱吃辣，三个月后溃疡了，模型哪管这些。

南京大学和字节跳动的研究者似乎看不下去了。他们在CVPR 2026上带来了PersonaVLM，一个面向长期个性化的多模态智能体框架。它要做的事听起来简单做起来难：让AI记住你会变的口味，在几百轮对话的尺度上理解你的性格演化，每次回答都像是"一个真正懂你的老朋友"在说话，而不是一个冷酷的API接口在吐字。

图1展示了PersonaVLM的核心思路：当用户偏好从雪碧变成可乐后，传统检索增强的方法还在拿旧记忆说事儿，而PersonaVLM会主动记录这次偏好迁移，并在后续对话中用新偏好做推荐。同时，针对一个偏内向且容易焦虑的用户，它不会用外向热情的语气去回应，而是调整成更温和的沟通风格。这一整套机制，就是论文反复强调的三个关键词：记住（Remembering）、推理（Reasoning）、响应对齐（Response Alignment）。

文章开头先亮数字：在128k上下文下，PersonaVLM在自建基准Persona-MME上比基线模型提升22.4%，在公开基准PERSONAMEM上提升9.8%，而且两项都超过了GPT-4o。这个成绩单，放在个性化这个公认难做的方向上，含金量不低。今天这篇文章，龙哥就带大家拆一拆，这个"长了记性的AI"到底是怎么被造出来的。

问题背景及相关工作：现有个性化方法为什么"记不住事"？

想理解PersonaVLM的贡献，得先知道个性化这条赛道上已经有了哪些选手，以及他们各自撞到了哪堵墙。论文把现有工作梳理成三大流派：适配式（Adaptation）、增强式（Augmentation）、对齐式（Alignment）。

适配式方法走的是"把用户知识写进模型参数"这条路。典型代表是MyVLM和Yo'LLaVA，它们用可学习的嵌入向量或者软提示（soft prompt）来表征用户的专属视觉概念，比如让模型从认识"一条普通的狗"升级为认识"你家那只叫旺财的柴犬"。听起来很美，但问题也很明显：每来一个新用户、一个新概念，就得重新微调一次，而且用户偏好一旦变了，模型参数却不会自动跟着变。这就好比给一个人做了全身纹身，想换个图案就得洗掉重纹，成本高还遭罪。

增强式方法则换了思路，不碰模型参数，而是给模型外挂一个记忆数据库。代表作RAP先用开放词汇目标检测器把图片里的视觉概念裁剪出来，再在推理时做匹配检索。这样做的优点是免训练、新概念即插即用，缺点是数据库靠人工预设，模型本身没有能力去主动管理记忆——该记的没记，该忘的没忘，用户说过的"我最近戒糖了"这种关键信息，很可能就被淹没在闲聊里了。

对齐式方法关注的是"说话风格"这件事。标准RLHF是面向所有用户训练一个统一的"好人"标准，但真实世界里，一个外向活泼的用户和一个内向谨慎的用户，期待的AI伴侣风格完全不同。这类方法的代表ALIGNXPERT和PAS尝试把用户特征注入输入，用DPO或用户专属探针做个性化对齐。然而这些方法默认用户人格是静止的，一旦用户的性格、处境在长期互动中发生微妙变化，静态探针就失效了。

图2给出了PersonaVLM的整体框架：左侧是带反思的推理过程，右侧是异步记忆更新。这套设计同时覆盖了上面三派方法的痛点，既有结构化的记忆管理，又有动态人格建模，还引入了强化学习训练的多步推理——这就不只是"缝补丁"了，而是一套系统性的解决方案。

长期个性化：从静态到动态的跨越

如果有人问"长期个性化"到底难在哪，论文里那张雪碧换可乐的图已经说明了一切。用户第一轮说"我喜欢雪碧"，系统记住了；第五轮说"最近焦虑，改喝可乐了"，系统没跟上；第十轮用户说"压力好大，推荐点喝的"，系统掏出一个雪碧。这个失败案例几乎戳中了所有现有方法的软肋：它们能记住一个点，却抓不住一条线。

这三派方法最大的共同问题，就是它们都假设"用户特征可以被一次性采集完"。但长期交互这件事的本质是：偏好会迁移、性格会漂移、关系会升温或降温。一个真正的个性化助手，需要的不是一张静态的用户画像，而是一个能够持续演化的用户模型。PersonaVLM就把这个演化过程显式地建模了出来：一边是结构化的记忆数据库，记录用户说过什么、做过什么、习惯了什么；另一边是一个可量化的人格画像，用大五人格分数追踪用户性格的动态变化。记忆管"事实"，人格管"风格"，两者合起来，才构成一个活的用户模型。

记忆架构：四类记忆与人格画像的协同

PersonaVLM的记忆架构，可以理解成两个相互配合的部分：一个用来"记住你是谁"，一个用来"记住你是什么样的人"。后者就是一套大五人格画像，前者则是一套拆成四种类型、按时间线组织的记忆数据库。

四种记忆类型各有分工。核心记忆存放用户的底层属性，比如身份、职业、家庭构成这类最稳定的信息，灵感来自MemGPT，会动态更新但始终保持"最新版本"；语义记忆把对话中提取出来的抽象知识沉淀下来，比如"用户讨厌香菜""用户养了一只叫旺财的柴犬"这类不依赖具体时间、但长期有效的概念；程序性记忆负责记录用户的习惯、计划和目标，比如"每周三晚上八点有健身课"；情景记忆则像一本按时间戳归档的日记，把原始对话切成一个个原子事件，每段包含摘要、关键词和当时的对话轮次，方便检索时按时间回溯。

与记忆数据库并行维护的，是人格画像模块。论文沿用心理学里最主流的大五人格模型（OCEAN），把用户人格量化为五个维度上的分数：开放性（Openness）、尽责性（Conscientiousness）、外向性（Extraversion）、宜人性（Agreeableness）和神经质（Neuroticism）。这五个分数合成一个五维向量，再配合一个文本摘要供模型阅读。表10里展示了同一个用户问同一个问题，如果人格画像中外向性高低不同，模型给出的回答风格会差异巨大。

表10：大五人格维度概览，展示了方法如何通过调整推断出的人格分数（高/低），对同一个用户查询生成不同风格的响应。

有了这套记忆底座，接下来就是怎么用。论文整个框架分成两段：响应阶段和更新阶段。响应阶段做的事情，可以写成下面这个式子：

公式1描述了第m轮对话中，个性化响应Rm的生成条件：它同时依赖用户当前的查询Qm（包含文本指令Tm、可选的图像Im和时间戳tm）、最近的对话上下文Cm，以及上一轮结束时记忆数据库的状态Mm-1。

这个公式看起来平平无奇，真正的门道在于它是怎么被执行的。论文没有让模型一次性读完所有记忆然后直接回答，而是设计了一个多步智能体检索循环：模型先根据用户当前问题，判断自己手上的信息够不够；如果不够，就输出一个带时间范围和关键词的检索条件，交给记忆系统去搜；搜回来的top-k条记忆再喂回给模型，让模型决定是继续检索还是给出最终答案。整个过程最多重复多轮，直到产出响应。

为什么要搞这么复杂的检索流程，而不是用常规的向量相似度搜索一把梭？论文给出了两个非常实际的理由。第一，用户说话经常带指代和省略，比如"上次说的那个地方"，直接拿这句话去做语义检索，检索出来的东西大概率牛头不对马嘴；而让模型先生成检索条件（"用户上次提到的旅行目的地，大约两周前"），命中率会高很多。第二，时间信息在记忆检索里极度关键——用户说"今天早上"就是一个天然的时间锚点，常规的query改写方法会把这个信息丢掉，PersonaVLM则让模型显式地决定检索哪个时间段。这个"决定是否检索、检索何时、检索什么"的能力，正是长期个性化与单轮检索增强最大的差别。

响应阶段负责用记忆，更新阶段负责把新信息沉淀回记忆系统。更新过程同样可以形式化地写成：

公式2表示：在每轮对话结束后，系统会根据用户查询Qm、模型响应Rm以及旧的记忆状态Mm-1，更新出新的人格画像Pm和记忆数据库Mm。这个阶段发生在系统空闲时，相当于AI在"后台"默默消化刚才的对话。

人格画像的更新，靠的是论文提出的人格演化机制（PEM，Personality Evolving Mechanism）。每一轮对话结束后，模型先从最新的用户消息里推断出一组临时的大五人格分数，然后用指数移动平均（EMA）的方式与长期画像融合。这里有一个很巧妙的细节：融合系数λ不是固定的，而是按余弦衰减调度逐步变化。对话刚开始时λ较低，新信息权重高，让画像能快速适配新用户；随着对话轮数增加，λ逐渐升高，画像越来越稳定，不会被一两句情绪化的发言带跑偏。这个机制既保证了冷启动时的快速适应，又避免了长期交互中的剧烈震荡。

四种记忆的更新节奏也各不相同，体现了一种"分频存储"的智慧：语义记忆每轮对话后都更新一次，因为用户的偏好和概念性知识变化最快，需要及时捕捉；核心记忆和程序性记忆在一个会话结束时才更新，因为身份信息和长期习惯的判定需要整段会话的全局视角，单凭一轮对话下结论太草率；情景记忆则按话题切分，把一段长对话按主题切成若干原子事件，每个事件存成一条带摘要的档案。图14展示了PEM在随机采样的十段对话上捕捉到的人格动态演化过程，可以明显看到不同维度分数随着对话进行而变化，有的用户外向性稳步上升，有的用户神经质水平在特定事件后出现尖峰。

图14：PEM在Persona-MME数据集随机抽取的十段对话上捕捉到的人格动态演化过程。每条曲线代表一个对话样本中某一维人格分数的变化轨迹。

两阶段训练：从监督微调到强化学习

框架搭好了，怎么让模型学会这套复杂的"检索-记忆-对齐"流程？答案是训练。PersonaVLM以Qwen2.5-VL-7B作为基座模型，训练过程分为两阶段：先做监督微调（SFT）打底，再做强化学习（RL）精调。

第一阶段SFT用了约7.8万个合成样本，主要教会模型两件事：一是记忆管理能力，包括人格推断和四类记忆的增删改查操作；二是包含完整多步推理轨迹的问答对，让模型学会"先思考、再检索、后回答"的流程。经过SFT之后，模型已经能生成格式规范的推理过程和检索动作，相当于拿到了一个不错的冷启动初始化。

图7：PersonaVLM训练数据的组成比例，展示了SFT阶段各类任务（人格推断、记忆CRUD、多步推理QA等）在训练数据中的占比分布。

第二阶段强化学习，目标是进一步提升模型的多步推理质量。论文采用的是GRPO（Group Relative Policy Optimization，组相对策略优化），一种改进的PPO算法，好处是不需要单独训练一个批评模型，而是在一组采样轨迹内部做相对比较。训练时，模型被强制要求输出结构化格式：先输出开头的推理过程，再输出开头的检索条件或开头的最终回答。

每条轨迹的奖励函数由三个部分加权组成：

公式3中，第一项facc是准确率奖励，用LLM-as-a-Judge评估生成回答和标注答案的匹配程度；第二项fcons是逻辑一致性奖励，检查推理过程和最终答案是否自洽；第三项fformat是格式奖励，确保输出严格遵循//标签结构。三项组合起来，既鼓励模型答得对，又要求它"想得通、说得规整"。

推理阶段也做了工程上的限制：每条轨迹最多允许三次检索尝试，防止模型陷入无限检索的死循环；损失函数只计算生成token的梯度，推理token不参与监督。整个训练数据合成过程也很讲究，论文搭了一条完整的合成流水线：先采集500个来自PersonaHub的多样化虚拟人设，再随机分配人格特质，然后让Seed1.6-thinking模型按照一套结构化流程生成跨越数百轮、模拟数周甚至数月对话的长期交互。生成时强制加入动态偏好切换和多模态元素，其中超过15%的对话包含图片输入，以保证训练数据里有充分的多模态场景。

图8：训练数据中500段长对话样本在对话长度、轮次和话题覆盖度上的分布情况，可以看出对话普遍超过了上百轮，覆盖了工作、生活、健康等多种场景。

Persona-MME：全面评估基准的构建

有了模型，还得有尺子。论文指出，现有的个性化评测基准普遍存在三个问题：一是静态化，测的是用户在某一个时间点的偏好，完全不管偏好后续会不会变；二是文本中心化，几乎没有多模态输入，跟真实场景脱节；三是碎片化，有的只测记忆、有的只测对齐，没有一套基准能综合评估长期个性化的全部核心能力。为了填补这个空白，论文构建了Persona-MME基准。

Persona-MME从200个多样化的人设出发，生成了超过2000个"原地震慑"测试案例（in-situ cases，指测试案例嵌入在真实对话流中，而不是孤立提问）。基准围绕七个核心维度设计：记忆（Memory）、意图（Intent）、偏好（Preference）、行为（Behavior）、关系（Relationship）、成长（Growth）和对齐（Alignment）。这七个维度往下拆成14个细粒度任务，覆盖了从"视觉细节回忆"到"长期目标追踪"、从"显式意图推断"到"人格对齐"的广阔能力谱。为了适配不同的应用场景，基准还提供了32k和128k两档上下文长度配置，分别对应百轮以内和更长的交互历史。每个测试案例包括一道评估个性化理解与记忆的选择题，以及一个可选的人格对齐测评。

图3：(a)先构建丰富的用户画像，再模拟长期动态对话，同时生成对话和中间记忆；(b)Persona-MME通过评估14个细粒度能力对个性化进行综合评估；(c)基准统计信息，包含32k和128k两档上下文配置，共2000多个测试案例。

相比现有基准，Persona-MME最大的特点是它把"动态演化"直接做进了测试题里。比如同一道偏好题，前半段对话用户还明确表示喜欢A，后半段发生了偏好迁移改成喜欢B，模型必须从完整的对话历史中抓住这个迁移节点，才能答对。这种测试方式让任务真正考察了"长期记忆+动态理解"能力，而不只是简单的信息检索。

图9：Persona-MME中14个任务类别按七个核心个人化维度组织的典型in-situ案例，每一格都是一个带着完整对话上下文的评测样本。

表7：Persona-MME与现有个人化基准（PERSONAMEM、ALIGNX-test、Yo'LLaVA等）的对比。Precision列显示，Persona-MME是唯一同时支持视觉模态、动态记忆和多维对齐评估的基准。

实验结果：全面超越GPT-4o与开源模型

实验部分，论文从三个维度检验了PersonaVLM：个性化理解能力（RQ1）、个性化对齐能力（RQ2）和个性化开放生成能力（RQ3）。对比的模型阵容也相当豪华，既有闭源的GPT-4o，也有开源阵营的Qwen2.5-VL-7B、LLaVA-OneVision-1.5-8B、InternVL3-8B以及更大规模的InternVL3-38B。

个性化理解评估

先看主表。表1是Persona-MME和PERSONAMEM两个基准上的完整对比结果。

表1：在32k和128k上下文下的Persona-MME和PERSONAMEM评估结果。Full表示使用完整上下文，RAG表示使用检索增强生成。加粗为该配置下最优结果。

几个关键结论非常耐人寻味。第一，在32k短上下文下，给Qwen2.5-VL-7B加一个简单的RAG检索反而有害，偏好理解任务掉分高达9.33%；但在128k长上下文下，RAG又能带来4.53%的提升。这说明"检索增强"不是万灵药——检索质量不行，还不如让模型硬读全文。第二，开源模型在128k长上下文下几乎全线崩盘：Qwen2.5-VL-7B在PERSONAMEM上直接跌到3.08%，OneVision-1.5-8B也只剩14.28%，说明模型的长上下文利用能力还远未成熟。而PersonaVLM即使只用了RAG配置，也在128k下保持了47.28%的PERSONAMEM分数，比GPT-4o的45.32%高出近两个点。第三，PersonaVLM在128k全文配置下，Persona-MME总体达到71.05%，比InternVL3-38B高出3.87%，比同体量的InternVL3-8B高出8.62%；在PERSONAMEM上比GPT-4o高出2.0%。论文还特别指出，在成长建模（Growth）和行为意识（Behavior）这两个最能体现"动态个性化"的维度上，PersonaVLM领先GPT-4o超过10个百分点——这说明GPT-4o在长对话里记住事实的能力确实强，但捕捉用户"性格和习惯的演化"这件事上，反而不如专门设计的框架。

图4：PERSONAMEM（32k）基准七个任务类型上的量化评估，PersonaVLM在多个动态偏好追踪任务上显著领先。

个性化对齐评估

理解任务考的是"记不记得住"，对齐任务考的则是"说话对不对味"。表2展示了对齐能力的结果。

表2：在Persona-MME对齐子任务和P-SOUPS基准上的个性化对齐评估结果。P-SOUPS从专业性（Expertise）、信息量（Informativeness）和风格（Style）三个维度评分。

在Persona-MME对齐子任务上，PersonaVLM在32k和128k配置下分别达到89.16%和92.22%，直接把所有开源对手甩开一大截，比语言能力很强的Qwen3-30B-A3B还高出9个点。在P-SOUPS基准上，PersonaVLM虽然在专业性和信息量上与Qwen3-30B-A3B打平，但风格对齐（Style）达到44.00%，远超所有基线——这说明人格画像模块真的在起作用，模型学到了"用用户喜欢的语气说话"，而不只是"把话说对"。

开放生成与综合表现

选择题评测之外，论文还做了开放生成任务的定性对比，用Gemini-2.5-Pro当裁判，同时考察回答的事实准确性和人格对齐度。图5展示的对比案例里，面对一个最近压力很大的用户，基线模型给出的是标准的外向热情式回复，GPT-4o虽然答得更丰富，但还是带着一股"标准助理"味；而PersonaVLM的回复既准确利用了对话早期埋下的偏好迁移信息，又以一种更安静、更克制的方式表达了关心。

图5：开放生成任务的定性比较，由Gemini-2.5-Pro评估，同时考察回答的事实准确性和人格对齐度。

图6：开放生成任务的案例研究，展示了PersonaVLM相比基线和GPT-4o在记忆召回、上下文整合和人格对齐方面的综合优势。

图10：Persona-MME（128k）配置下的综合性能排名，PersonaVLM与多个闭源和开源模型对比。横轴是总体准确率，可以看到PersonaVLM不仅超过所有开源模型，还超过了GPT-4o。

消融与效率分析

消融实验进一步验证了各个设计组件的必要性。表8把四类记忆和推理能力分别移除，可以看到每一类记忆的缺失都会造成性能下降，其中情景记忆和推理能力的移除影响最大——这符合直觉，毕竟长期对话中的关键事件和"判断要不要检索"的能力，正是个性化助手的核心竞争力。表9则专门验证了PEM人格演化机制的贡献，结果显示去掉PEM、改用静态人格画像后，在对齐任务上的得分出现明显回落，证明动态更新人格分数这件事不是花架子，而是实打实地提升了回答的贴合度。

表8：PersonaVLM各组件在Persona-MME基准上的消融研究，分别移除核心、程序性、语义、情景记忆以及推理能力后的性能影响。

表9：PEM组件在Persona-MME上的消融研究，对比完整PEM与使用静态人格画像的性能差异。

效率方面，有人可能会担心多步检索会不会让响应变慢。论文在表11里专门做了效率对比：PersonaVLM在保持较高个性化性能的同时，单轮响应延迟控制在可接受范围内。毕竟基座模型只有7B参数，跑在消费级GPU上问题不大，这也为后续端侧部署留下了想象空间。

表11：PersonaVLM的效率对比，展示了在多步检索机制下的响应延迟和资源占用，验证了在本地部署的可行性。

局限与展望：迈向真正的个性化助手

PersonaVLM交出的答卷足够惊艳，但论文的局限性也相当明显，值得泼一盆冷水。

第一，训练数据完全依赖合成流水线，对话由Seed1.6-thinking等大模型生成，虽然规模大、覆盖广，但虚拟人设与真实用户的交互模式之间始终存在鸿沟。合成的"动态偏好迁移"再真实，也不如真实用户那种带着情绪张力的、不讲逻辑的、充满矛盾的变化。第二，Persona-MME的测试题以选择题为主，这天然限制了评测的上限——真实对话中不存在四个选项让你挑一个，模型需要自己生成完整回答，而开放生成与选择题之间的gap是这类评测的通病。第三，模型基座只用了Qwen2.5-VL-7B，还没有验证在更大规模基座（比如30B甚至70B）上的效果能否进一步放大。第四，也是最现实的工程问题：多步智能体检索虽然效果好，但每一轮检索都意味着一次额外的模型调用，在长对话高频交互场景下，推理成本怎么控制、延迟怎么优化，论文给出的效率评估还比较初步。

展望未来，这个方向的想象力其实很大。一个真正理解用户"演变中的人格"的助手，可以在教育场景里根据学生信心的起伏调整鼓励方式，可以在健康管理场景里察觉用户焦虑水平的上升并及时给出柔和建议，也可以让推荐系统从"猜你喜欢"进化到"懂你现在的状态"。当然，这一切的前提是解决好隐私问题——用户的长期记忆本身就是最敏感的数据，如何既让AI拥有"记性"，又让用户拥有"删掉记忆的权利"，会是产品化进程中绕不开的难题。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？南京大学联合字节跳动提出PersonaVLM，通过"记住、推理、响应对齐"三大能力，让多模态大模型实现长期个性化服务，在Persona-MME基准上较基线提升22.4%，超越GPT-4o，并配套2000+案例的评测基准与合成数据流

这篇工作最值得看的点是什么？在Persona-MME上，128k上下文下达到71.05%准确率，比基线提升22.4%；在PERSONAMEM上达到47.28%，比基线提升9.8%；在P-SOUPS上达到49.60%，超过所有对比方法。

这篇工作的边界或风险在哪里？优点：1) 提出完整的长期个性化框架，涵盖记忆、推理和人格对齐三个核心能力；2) 设计了多类型记忆架构和人格演变机制，能够动态捕捉用户偏好变化；3) 构建了大规模合成数据集和全面评估基准。缺点：1) 不支持视频和音频输入的人格识别；2) 性能受限于基础模型能力；3) 记忆系统缺乏跨时间情景记忆的关联能力。

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：★★★★☆

提出PersonaVLM框架，通过个性化记忆架构（含人格画像与四类记忆）和两阶段协同过程（响应阶段与更新阶段），将通用MLLM转化为长期个性化助手。

实验合理度：★★★★☆

Persona-MME准确率、PERSONAMEM准确率、P-SOUPS准确率、Gemini-2.5-Pro自动评估（胜率）。

学术研究价值：★★★★☆

提出PersonaVLM框架，通过个性化记忆架构（含人格画像与四类记忆）和两阶段协同过程（响应阶段与更新阶段），将通用MLLM转化为长期个性化助手；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

训练在8张NVIDIA H800 GPU上完成，SFT约2小时，RL约6小时，总计约8小时。

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：1) 不支持视频和音频输入的人格识别；2) 性能受限于基础模型能力；3) 记忆系统缺乏跨时间情景记忆的关联能力。