GoodAI 发布 LTM Benchmark 数据集, 应用在 对话系统、性能评估 领域

GoodAI 本次发布的数据集 LTM Benchmark, 该数据集是一个动态的基准测试系统，旨在通过模拟涉及多个交错任务的长时间用户与代理互动，来评估对话式代理的表现。结果显示，大型语言模型在短时记忆方面表现良好，但当记忆跨度超过其最大上下文大小时，它们会面临困难。该数据集包括33项测试（11个场景和3次重复），并涵盖了不同的记忆跨度（2千、3.2千、12万、20万和50万标记）。其任务在于评估语言模型在长期记忆、持续学习和信息整合能力方面的表现。

查看LTM Benchmark

README 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。