标签
TWIST 是一个用于评估对话记忆系统中干预质量的提议基准套件，具有人工验证的轨道，用于检测未解决的张力和过时事实等故障，揭示了传统指标忽略的召回率与特异性之间的权衡。
本文认为，LLMs提供了合成验证，模仿了人类的认可而没有真实的风险，导致潜在的社会和心理后果，如韧性降低和孤立增加。