agent 记得你吗？61210 道题考倒前沿模型

现在的 agent 记忆基准大多在考两件事：用户的个人事实与偏好，或者可复用的通用经验。但长期陪伴型 agent 真正依赖的是第三种东西：某个 agent 和某个用户之间，随着共同历史长出来的关系型记忆，比如这个用户的项目偏好怎么演变、哪些流程你们试过并且约定不再走。DyadMem（arXiv:2610.03020）把这类记忆命名为 URAM，并给它出了一整套考卷。

考的不是记性，是关系

试卷的规模不小：3065 组多会话 episode、50961 个会话、61210 道评测 QA，覆盖六类记忆。标注是双轨的，同一条轨迹上既标用户侧记忆，也标 URAM，会话级给出捕获与更新的金标，查询级给出召回时应命中的支撑内容。作者用 16 个开源模型加 4 个闭源模型共 20 个模型跑分，验证了 URAM 概念对全部 20 个模型都有正向效应。

两种考法拆出的水分

考法设计是这篇论文最有意思的地方：Gold-Memory 模式把金标记忆直接喂给模型再答题，各模型成绩一致强势；切到 Full-Pipeline 模式，让模型自己捕获、存储、再召回，分数立刻骤降。差距说明问题不在模型答不上，而在记忆管线的前半段。细看是三个红灯：捕获召回偏低，该记的没记下来；召回支撑不全，记了也翻不出来；删除不安全，清理过期记忆时误伤关键事实。前沿模型同样中招，只是程度轻些。

怎么用

给 agent 加记忆功能的团队，可以直接拿这套金标当回归测试：自己的捕获和召回环节在 3065 组轨迹上跑一遍，三个红灯各亮几个一目了然，改一版跑一遍，进步也能量化。只考最终问答的老评法会系统性高估记忆能力，这篇论文把原因量化了出来。摘要页未见代码与数据链接，想复现的要再等等作者放料。