多轮智能体上下文衰退与状态污染基准

📌 One-Sentence Summary

该基准测试评估了各种 AI 模型在 50 次交互步骤中保持准确上下文的能力，结果显示，尽管扁平 RAG 和线性 KV-Cache 模型遭受严重衰退和状态污染，但 XORAS 庞加莱内存系统保持了近乎完美的召回率和零污染。

📝 Summary

该实验测量了多轮智能体对话中的上下文衰退。结果表明，传统方法（扁平 RAG、Gemma-4、Gemini 3.5 Pro）出现了显著的准确性损失和状态污染，召回率降至 ~60%。相比之下，XORAS 18，432-D 庞加莱内存系统表现出卓越的稳定性，在所有 50 个步骤中保持了 99.8% 的召回率和 0.00% 的污染率。

💡 Main Points

传统模型中的上下文衰退

扁平 RAG 和线性 KV-Cache 模型表现出显著的上下文衰退，在 50 个步骤中，准确性下降至 ~60%，状态污染达到 ~48%。这表明它们无法维持对过去交互的连贯记忆。

XORAS 庞加莱内存性能

XORAS 系统使用 18，432-D 庞加莱嵌入，性能优于所有其他模型。它保持了 99.8% 的召回率和零状态污染，证明了其强大的记忆保持和纠错能力。

基准方法论

该测试使用 14 道门的 BBQ 验证协议来评估模型性能。结果由 POSIX SHM 遥测和 Z3 SMT 证明进行验证，确保数据收集和分析的完整性。

💬 Key Quotes

线性 KV-Cache 和扁平 RAG 遭受话题混淆（Peters 规则），召回率从 97.2% 下降到 60.8%。

📊 Article Meta

AI Screening： 93

Source： DEV Community: machinelearning

Author： Anthony Oxendine

Category： 人工智能

Language： 英文

Read Time： 1 min

Word Count： 111

Tags：

AI 与智能应用 , AI Agent , RAG / 检索增强 , 模型评测与基准 , 模型发布