arXiv · cs.AI· Cheng Zhang, Xuanning Cao, Zhicheng Zheng, Hui Xiong·· 7 小时前
MemCut：评估LLM Agent长期记忆用户请求遗忘的基准
MemCut: Every Secret Leaves a Trail in the Long-Term Memory of LLM Agents
arXiv:2610.21405v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Cheng Zhang, Xuanning Cao, Zhicheng Zheng, Hui Xiong
研究任务与主要进展
Cheng Zhang等人提出MemCut基准，用于评估LLM Agent在用户请求后遗忘敏感信息的程度，包含456个手工设计的秘密及其证据链。该基准区分原生恢复和残余恢复，并在五种记忆设计、四个LLM及三类删除基线上测试。作者在论文摘要中报告，删除披露内容能明显降低原生恢复，但额外删除二十个检索候选中的十个轮次后，残余恢复仍为39%—76%；候选覆盖范围是影响删除效果的主要瓶颈。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org