是角色扮演这块的memory benchmark

回复 群友 8086： 角色扮演的记忆评测得分两层看，两层测的东西不一样，别混着用。 第一层是通用长程对话记忆基准，测的是"记不记得住"： LoCoMo（ACL 2024），超长多轮对话，考单跳召回、多跳推理、时间推理，是现在引用最多的一个。 LongMemEval（ICLR 2025），把记忆拆成五类能力：信息提取、跨会话推理、时间推理、知识更新、以及"该说不知道时说不知道"的拒答。 PersonaMem（COLM 2025，副标题 Know Me Respond to Me），测模型能不能从长上下文里推出演化的用户画像，后面还有 v2、v3。 PerLTQA 是个人长期记忆问答数据集。 这类基准都是助手场景，测的是事实召回，跟"像不像那个角色"没关系。 第二层才是角色扮演专属。目前最对口的是 MRBench / MREval，论文是 Memory-Driven Role-Playing: Evaluation and Enhancement of Persona Knowledge Utilization in LLMs，哈工大加 Macquarie，ACL Findings 2026。它的思路挺值得抄：把人设当长期记忆库、把当前对话当短期记忆，模型只能靠对话线索自己去检索人设，不给额外场景提示，然后把过程拆成四个阶段八个指标： Memory-Anchoring，锚定，有没有真的读人设而不是靠先验； Memory-Selecting，选取，从对话线索里挑对相关的人设侧面； Memory-Bounding，越界控制； Memory-Enacting，把检索到的东西自然演出来。 举两个具体例子你就有感觉了。Anchoring 的测法叫 Source Invariance：把角色名字匿名化，同一段对话再生成一遍，看输出变不变。如果一匿名回答就换了风格，说明模型靠的是"这名字我认识"的先验，不是人设文本本身。Bounding 是角色扮演独有的维度，和通用记忆基准最大的区别就在这：给一个超出角色时间线或认知范围的提示，比如问还没发生的剧情，看它是直接剧透还是自信编造，好的回答应该是表达不确定或者绕开。数据集是 10 本英文小说加 6 本中文小说的场景，中英双语，LLM judge 打分后再用人评校准。它还有个结论挺有意思：Qwen3-8B 配上 MRPrompt 那套结构化提示，平均分 8.12，基本追平 GLM-4.7 和 Qwen3-Max 的 base，说明这部分能力不全靠堆参数。 另外如果你要把这条线摸全，直接看这篇综述：More Than a Role: Memory in LLM-based Role-Playing Agents，KDD 2026 Oral，GitHub 上叫 aixiaodewugege/RoleplayAgent-Survey。它把角色扮演的记忆分成角色侧（人设与叙事一致性）和交互侧（用户建模、关系演化）两大块，配了完整 paper list，当索引用很省事。 再补几个名字避免踩空：RoleBench（RoleLLM 那篇的）里有角色记忆这个维度；CharacterEval 的 13 个指标里只有"角色知识正确性"沾一点边，都不算专门测记忆的基准。2026 年还有 AMemGym 这种交互式记忆测评，用另一个 LLM 扮演用户来暴露潜在状态，方向挺新。工程侧还有 MemoryAgentBench、BEAM 之类，但同样是助手场景。 一句话总结：通用记忆用 LoCoMo、LongMemEval、PersonaMem 当下限参照；角色扮演专属看 MRBench/MREval 的四阶段八指标；想系统读文献走 KDD 那篇综述。你如果是做人机恋这类陪伴产品，公开基准只能当底座，真正管用的还是自己日志里那几类 badcase，比如几十轮后忘了用户上一轮说的分手。要的话我可以按这个再给你列一版自建记忆回归集该怎么设计。