你的「龙虾」真记得你吗？剑桥发布长期个性化记忆基准ATM-Bench

ATM-Bench 将「个人 AI 助手是否真的记得你」这件事，变成了一个研究的测试基准。结果并不乐观：专用记忆智能体系统普遍低于 20%，而 OpenClaw、Codex、Claude Code 等通用智能体普遍表现不佳，最高准确率不到 40%。

想象一个场景：妈妈问我：「你上次去日本旅行帮我买的相机，现在还在保修期内吗？」

对人类来说，这不算难。就算一时记不起来，也可以翻翻收据、照片，或者查一下当时的邮件。大脑会将线索串起来，逐渐定位或是搜索到相关记忆。但对今天的 AI 来说，这类问题远没有看上去那么简单。

最近，来自剑桥大学的团队开源了面向 AI 个人助理的长期记忆基准测试 ATM-Bench。他们评测一个直接的问题：当 AI 真正面对一个人多年真实生活数据时，它到底能不能「记住你」？

实验结果并不乐观。在该 ATM-Bench-Hard 基准上，当前非常热门的开源智能体「小龙虾」OpenClaw 仅达到 25.4% 的准确率；而被许多人视为编程智能体标杆、搭载 Claude Opus 4.6 的 Claude Code 也只有 33.8%。至于多数开源专用记忆系统，准确率甚至低于 20%。

• 论文地址： https://arxiv.org/abs/2603.01990
• 项目主页： https://atmbench.github.io

ATM-Bench：系统评估 AI 长期个性化记忆能力的基准

过去已经有不少工作在评估 AI 的「记忆能力」，例如 LoCoMo、LongMemEval 等，它们大多聚焦于对话历史，但真实世界中的个人记忆，远不止聊天记录。一个人的生活记忆通常分散在：

• 照片：旅行、聚会、用餐、日常片段
• 视频：重要时刻、活动过程、环境变化
• 邮件：机票、酒店、餐厅预订、票据、确认函

而且这些记忆往往横跨几年，互相之间并不对其。为此，ATM-Bench 提出了首个面向长期、多模态、多来源、个性化指代记忆问答的基准。它的几个关键特征是：

• 时间跨度约 4 年；
• 覆盖图像、视频、邮件三类模态，超一万条记忆数据；
• 记忆数据来自真实个人生活，而非合成对话；
• 图像、视频数据包含地点、时间等元数据，地点包含 4 大洲；
• 包含 1000 + 条完全人工标注的问题、答案与证据。

ATM-Bench 考验了智能体能不能像一个真正的个人助理那样，找到隐藏在记忆库深处的正确记忆，并给出可靠答案。

挑战 AI 的记忆盲区

ATM-Bench 的核心难点包含：

• 个性化指代：我的宠物猫「Grace」「我们上次那趟葡萄牙旅行」；
• 多来源拼接：照片时间戳要和邮件确认函对齐；
• 记忆冲突：预订金额和最终发票金额不一致；
• 元数据噪音： GPS 由于定位准确度本身就可能出错。

这里展示了三种难题的案例。

个性化引用解析 ——Grace 到底是谁？

示例：「我想剪一个视频发小红书，帮我把 Grace 偷偷摸摸的照片视频找出来。」

• 判断 Grace 是朋友、家人，还是宠物；
• 在图片或视频里识别这个对象；
• 再理解「偷偷摸摸」这种带主观色彩的描述。

证据冲突怎么选？

示例：「我最近去葡萄牙旅行住酒店花了多少钱？」

这类问题常常对应多份证据：过时的预订确认邮件，最终结算发票等。

AI 需要理解不同来源之间可能存在冲突，也需要判断哪条信息更新得更晚、可信度更高。即使是 GPT-5.2 或者是 Opus-4.6，也拿着过时的预订邮件而不是最终的发票当作答案。

看不见的线索，才最考验 AI 的长期记忆

示例：「我在 Fancett 餐厅点了什么？」

陷阱在于：「Fancett」这个名字只出现在邮件确认单里，而照片本身并没有 GPS 标签。

要回答这个问题，AI 必须先：

1. 从邮件中找到与 Fancett 相关的预订信息；
2. 提取对应时间并锁定时间窗口；
3. 再跨模态到相册中找到同一时段的照片；
4. 最后从视觉内容中判断点了什么菜。

这类问题仅靠单一模态无法解决，需在邮件中挖掘文本线索，将时间范围缩小，找到照片并回答问题。少了任何一环，问题都无法被正确回答。

实验结果

团队在 ATM-Bench-Hard 上测试了多种专用记忆系统，包括 A-Mem、HippoRAG2、mem0、MemoryOS。

结果并不理想：最好的系统准确率不到 20%。这些系统本来就是为记忆而设计的，但当任务超过了仅仅是对话历史，记忆变得真实、长期、个性化、跨模态的生活场景时，它们依然显得力不从心。

除开源专用记忆系统之外，团队还测试了当前最强的通用智能体系统。这类智能体具备完整的代码执行能力、文件系统访问权限和工具调用能力，具有比专用记忆系统拥有更强的工程能力与搜索能力。

核心发现：

1. 表现最好的 Codex 也只有 39.7% 的准确率，连及格线都够不着；
2. Claude Code + Opus 4.6 作为编程智能体的标杆，也只有 33.8%，尽管明显优于多数专用记忆系统，但仍难以胜任真实长期记忆 QA；
3. OpenCode（Kimi K2.5）达到 30.3%，而 OpenClaw（Kimi K2.5）为 25.4%；
4. Token 开销非常高：Codex 消耗了 15.46M tokens，OpenClaw 也达到 9.63M，即便投入大量工具调用与上下文预算，效果仍然有限。

这说明，即便给 AI 配齐代码执行、文件搜索、索引构建等整套工具链，长期个性化记忆问答仍然是一个根本性难题。

写在最后

ATM-Bench 的实验结果虽然「惨淡」，但作者团队相信这为未来的长期记忆机制与个性化 AI 助手的研究开辟了新的方向。

OpenClaw、Codex、Claude Code 的集体表现不佳告诉我们：工具链再完善、模型再强大，也弥补不了记忆架构上的根本缺陷。

当 AI 真正能够像人类一样，在数年的记忆长河中准确检索、关联、推理，我们离真正的「个性化 AI」才会更近一步。

在那之前，也许我们不该对智能体的记忆能力期待太高，毕竟，它们连「去年给妈妈买的相机」都记不住，OpenClaw、Codex、Claude Code 都不行。

数据集已开源

ATM-Bench 数据集现已在 HuggingFace 上线：

• https://huggingface.co/datasets/Jingbiao/ATM-Bench

包含：

• 完全人工标注的 1069 个 QA 对
• 多模态证据标注
• NIAH 大海捞针评估支持
• 开箱即用的基准测试代码

作者介绍

梅敬标，剑桥大学机器智能实验室博士四年级在读，师从 Bill Byrne 教授，获剑桥信托基金奖学金资助。本科及硕士均毕业于剑桥大学工程系，主修信息与计算机工程与电子工程。

其主要研究方向为多模态大语言模型的应用，涵盖多模态检索、模型安全、强化学习及智能体系统等领域。相关成果已发表于 ACL、NeurIPS、ICLR、NAACL、EMNLP 等国际顶级会议，累计发表论文十余篇。

文章来自于"机器之心"，作者 "机器之心"。