MemGym：面向长程任务的智能体记忆评测环境

记忆是大语言模型智能体执行长程任务的核心能力。现有基准主要测试多轮聊天中个性化信息的保留，忽略长时间执行中的动态记忆形成，因此得到的记忆系统难以迁移到编码与网页操作等环境。MemGym 用统一的记忆推理接口接入现有智能体环境和内部基于记忆的流程，设置五条评测轨道，覆盖工具对话（tau2-bench）、多轮深度研究搜索（MEMGYM-DR）、编码（SWE-Gym、MEMGYM-CODEQA）和计算机操作（WebArena-Infinity）四类场景。其记忆独立评分将记忆表现与推理、检索、工具使用能力区分，减少这些因素对记忆策略排名的干扰。MEMGYM-CODEQA 与 MEMGYM-DR 的合成流程长度可控，各阶段经过消融验证，并与下游场景对齐。为降低编码环境评测成本，研究用 QLoRA 微调 Qwen3-1.7B 得到 MemRM，以快速标量评分衡量压缩质量，替代完整 Docker 交互轨迹执行。