VoiceLongMemEval：助理还记得你的声音吗？

Arxiv：2609.00570v3公告类型：替换摘要：随着多代理体系结构和大型语言模型的规模不断扩大，部署的AI助手越来越多地承担着在漫长、连续、多会话的对话历史上进行推理的任务。目前的基准将这种对话历史评估为长期信息检索、时态推理或知识更新，而至关重要的是忽略了人与代理交互的基本动态，即他们是如何说的。为了弥补这一差距，我们提出了VoiceLongMemEval(VLME)基准测试，其中每个答案都依赖于附加到会话轮换的副语言元数据(情感标签、韵律描述符和语音事件)，否则无法仅从单词中恢复。每一项都通过了一个三阶段的对抗性关口，确保了一个强大的语言模型在只提供成绩单的情况下失败了。评估领先的前沿和开放权重模型揭示了普遍存在的影响差距；提供文本跟踪副语言学元数据可以使准确率提高0.09%到0.38%(在有证据提示的情况下提高0.61%到0.69)，而标准的ASR管道系统地丢弃这个信号。此外，音频本地模型成功地直接从语音中提取这些提示(0.354到0.412，而不是0.325盲)。代码和数据集将在验收后提供。