标签
本文介绍了MUSE任务，用于评估大型语言模型中的上下文更新，并提出了PLUME，一种无需训练的方法，在顺序演化设置中显著提升了性能，尤其是在MUSE-Bench基准上。
本文识别了LLM智能体中的一个关键失效模式：当新证据与先前信念冲突时，它们无法更新个性化记忆。本文引入了STALE基准和一个三维探测框架，揭示了即使最佳模型也仅达到55.2%的准确率，并提出了CUPMem作为鲁棒记忆修正的原型。