实测显示三款大模型裁判无法区分智能体的真实记忆与伪造记忆

一项针对智能体记忆评估机制的实验发现，gpt-4.1、claude-opus-4-7 与 gemini-2.5-pro 三款大模型裁判在既有评分标准下，均无法区分智能体的真实历史记忆与完全虚构的伪造记忆。研究指出常见测试往往只测量了文本合理性而非真实召回，在空上下文下多款模型仍能凭推理取得 62% 至 79% 的通过率，作者为此公开了包含伪造对照与对称选项在内的三项校验代码。