FinPerMA：LLM 代理的基于理论、基于事件的个性化记忆基准

摘要

arXiv:2608.04095v1 Announce Type: new Abstract: Large language model (LLM) agents are increasingly used as personalized assistants in high-stakes domains such as financial advising, yet it remains unc...

memory model personalized and event LLM whether can user factual

2026-08-06 1 阅读约1分钟阅读 Ben Wang, Kang Zhou, Lifan Guo, Feng Chen, Chi Zhang

arXiv:2608.04095v1 公告类型：新摘要：大型语言模型（LLM）代理越来越多地被用作财务咨询等高风险领域的个性化助手，但目前尚不清楚他们是否可以长期维护和更新个性化用户模型。现有的个性化记忆基准主要测试事实保留或依赖弱约束的模型生成的轨迹，而事件驱动的偏好适应尚未得到充分探索。我们推出 FinPerMA，这是一个基于事件的基准，可根据冻结的纵向投资者轨迹评估个性化记忆。其生成流程结合了确定性、基于理论的影响规则、受控的法学硕士叙述和自动质量筛选；冲击后检查点隔离代理是否已将重大事件集成到其持久用户模型中。对于来自 276 个角色的 2,994 个问题，7 个前沿法学硕士和最多 7 种内存配置仍然远未达到饱和：没有任何完整上下文配置的整体准确率超过约 0.47 或多项选择题的约 39%。归因分析表明，基于摘要的记忆通常会保留事实细节，但会丢失个性化所需的偏好信号；因此，简单的检索可以胜过专门构建的记忆系统，并且在受到冲击后差距会扩大。

订阅66必读