MemoryBench

Meta的MemoryBench检查模型能否在单次长对话中更新事实，但明确不测试跨会话的持久记忆。

MemoryBench 是 Meta 自编的基准，测试在 64K 至 100K token 的多轮长对话中召回关键信息，对话跨越多个事实，并带有干扰对话以及与目标细节冲突或后续更新的注入轮次，由 LLM 裁判按加权评分标准打分。

MemoryBench 表格中五个模型的分数分别为 85.5、85.6、79.0、81.4 与 81.5，头部差距仅 0.1 分。

在MemoryBench测试中，Muse Wonder取得85.5%的准确率，超过Claude Opus 5.5的81.5%与GPT-6 Astra的81.4%

在MemoryBench上，Wonder击败Fable、Opus和Astra；在Artificial Analysis指数上，Wonder Full位列第二，仅次于Opus 5.5。

MemoryBench和‘个人超级智能指数’均为Meta内部基准，使用LLM评判，存在厂商自评偏倚。

多轮对话配置解决上下文记忆问题，决定智能体在连续对话中能保留多少轮历史信息