代理記憶與評測
MemTrapBench：加入相關記憶後，五種代理記憶策略反而至少掉 10.66 分
MemTrapBench 不測記憶能否被找回，而是測正確、相關的舊經驗會否把模型鎖進錯誤策略或信念。五種記憶方法在兩款模型上均不如無記憶基線，簡單提示式護欄則只能追回部分損失。
現有代理記憶評測多把流程拆成抽取、更新與檢索，只要找回相關資訊便視為成功。8 月 20 日公布的 MemTrapBench 改問另一個部署問題：即使記憶內容本身正確、檢索結果也與當前問題相關，它是否仍會成為推理錨點，令模型錯用舊策略或把局部條件誤當成普遍事實？
資料集包含 1,050 段、每段 18 至 40 回合的對話，分成任務邊界、認知偏誤、負面回饋引發的策略迴避，以及安全信念扭曲四類。流程先由研究者設計種子，再用 GPT-5.4 擴寫、插入無關回合，最後由自動篩選與人工審核確保末題可獨立作答。關鍵不是記憶過時，而是模型即使面對已改變的條件，仍被先前成功方法、批評或沙盒假設牽引。
研究比較完整歷史、LightMem、MemOS、SimpleMem 與 EverMemOS。Gemini-3-Flash-Preview 的無記憶平均分為 85.16%，最佳記憶策略 EverMemOS 只有 71.17%；Qwen3-30B-A3B-Instruct-2507 的無記憶分數為 81.83%，最佳 LightMem 為 70.13%。安全題尤其明顯：加入記憶後，兩款模型的最佳成績皆不到 70%。控制實驗移除刻意植入的陷阱、保留其餘歷史後，分數可回復，顯示下降不只是上下文變長造成。
團隊另提出 AdaptiveMem，以提示要求模型重新判斷記憶的適用範圍。在抽樣的 200 題上，它令 Gemini 搭配三種記憶框架提高 11.3 至 14.9 分，Qwen 則提高 2.5 至 4.2 分；在 LongMemEval 未見退步。然而這仍是人工合成的壓力測試，主評分者為 GPT-5.2，且目前 GitHub 倉庫只有初始 README。工程團隊應把「是否使用記憶」視為需要校準的決策，接下來要看資料完整釋出、人工評分，以及真實客服或長期代理紀錄能否重現同類失敗。