亚马逊研究揭示智能体记忆评估盲区

亚马逊最新论文指出，仅靠端到端问答（QA）评分无法准确评估智能体记忆系统的有效性。通过构建 FEB-30 基准测试，研究发现 QA 得分与底层存储事实状态存在显著偏差，导致错误掩盖或正确被误判。建议开发者在部署时直接验证每个更新后的存储事实，而非仅依赖最终输出结果。