EngramaBench：通过结构化图检索评估长期会话记忆

大语言模型 助理越来越被期望能够保留和推理在许多会话中积累的信息。我们推出了 EngramaBench，这是一个长期会话记忆基准，围绕五个角色、一百个多会话会话和一百五十个查询构建，涵盖事实回忆、跨空间整合、时间推理、对抗性弃权和紧急综合。我们针对 GPT-4o 全上下文提示和 Mem0（一种开源向量检索记忆系统）来评估 Engrama（一种图结构记忆系统）。这三者都使用相同的应答模型（GPT-4o），隔离内存架构的影响。 GPT-4o 全上下文取得了最高的综合得分（0.6186），而 Engrama 在全球范围内得分为 0.5367，但它是唯一一个在跨空间推理上得分高于全上下文提示的系统（0.6532 vs. 0.6291，n=30）。 Mem0 最便宜，但要弱得多 (0.4809)。消融揭示了驱动 Engrama 跨空间优势的组件与全局综合得分之间的权衡，暴露了结构化内存专业化和聚合优化之间的系统级紧张关系。