HABIT-Bench：评测智能体记忆能否从弱证据推断用户习惯
原文标题：HABIT-Bench: Evaluating Habit Induction from Longitudinal Weak Evidence in Agent Memory
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 HABIT-Bench，用合成用户历史与受控习惯图，评估智能体记忆系统能否从零散弱证据中推断用户习惯并正确应用。覆盖餐饮、金融、软件、旅行四大领域数百轮会话。用 Qwen3-235B-A22B 与 GLM-5.3-Flash 评测八种记忆方法，最佳仅 33.61% 宏平均准确率，显示记忆访问与习惯推断之间存在明显鸿沟。
- 问题
- 智能体记忆能存住历史，却未必能从零散弱证据推断用户习惯并正确应用。
- 方法
- 用合成用户历史加受控习惯图构造四选一任务，覆盖例外、习惯变化与未被接受的建议。
- 结果
- 八种记忆方法在 Qwen3-235B-A22B 与 GLM-5.3-Flash 上最佳仅 33.61% 宏平均准确率。
- 影响
- 做长期记忆/个性化产品的团队应据此下调预期：检索到历史不等于会用，记忆层需专门的习惯推断设计。
深读 · 结论先行AI 生成展开看要点与影响 ↓
HABIT-Bench 测智能体习惯推断，八种记忆方法最佳仅 33.61% 宏平均准确率
- •用合成用户历史与受控习惯图构建，覆盖餐饮、金融、软件、旅行四大领域数百轮会话
- •四选一任务考察习惯推断与应用，含临时例外、习惯变化、用户未接受的建议，抽样经人工复核
- •用 Qwen3-235B-A22B 与 GLM-5.3-Flash 评测八种记忆方法，最佳仅 33.61% 宏平均准确率
- •即使直接提供标注证据，性能仍受限，说明瓶颈在推断而非检索
为什么重要：揭示「存下历史」与「用对习惯」之间的鸿沟，为长期记忆型智能体的能力评估提供了更严格的标尺。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。