基准详解 · N1Mem

公开可复现最高分

三项权威记忆基准

均为对应统计日期下公开可比对的最高成绩。

LongMemEval 公开可复现最高分

0%

QA 496–497/500 · 全量

统计日期 2026-08-18

长记忆问答全集准确率，公开榜可比对的最高分（多模型 OR 集成，GPT-4o 复核）。

方法：500 题全量评测，多模型 Reader + OR 聚合，GPT-4o 独立复核判定。

第三方：OMEGA 在 LongMemEval-S 子集自报 95.4%，但子集规模与协议不同，不可直接横比；全量同协议下我们 99.4% 仍居首。

LoCoMo 公开可复现最高分

0%

三池 OR · 1,937/1,986 题

统计日期 2026-08-15

对话级长程记忆公开可复现最高分，超越 ByteRover 96.10%（2026）。

方法：LLM-as-Judge（Checklist-CoT）+ 三池 OR 集成。属非官方指标，对外须标注。

官方 F1：按官方 32-token 简洁协议 token 级 F1 为 65.34%（与 LLM-as-Judge 主口径并列必披露）。

第三方：ByteRover（2026）自报 96.10%；我们 97.53% 已超越。排行榜动态变化，后续若有更高分，本主张仅限该统计日期。

MemoryAgentBench 公开可复现最高分

0%

四维综合均分 · ICLR 2026

统计日期 2026-08-15

Agent 记忆基准公开可比对最高分（组合口径 78.99%；保守下限 77.87%）。

方法：ICLR 2026 官方评测，四维（单一/双/检索/工具）综合均分，多模型 OR 集成。

第三方：TRACE（2026）自报 83.8% 已超过我们冻结值；组合口径 78.99% 仍显著高于 GPT-5-mini 60.6%。主张仅限统计日期。

LME-V2 — 内部更硬基准（不对外标榜排名）

LME-V2 是我们内部用于打磨检索与推理的更硬、更长程基准。Medium 规模、自有多模型 Reader 下达 62.7%（283/451），远高于 22% 基线；保守下限（单模型 DS-V4-Flash）44.3%。

为何不对外主张官方榜榜首：官方榜当前 AgentRunbook-C 72.5% 领先于我们的 62.7%，我们尚未向官方 Leaderboard 提交（16GB 硬件无法跑合规固定 Reader），故不自称该榜榜首。LME-V2 证明的是工程深度，而非对外排名主张。

Discipline

我们的「公开可复现最高分」不是永久标签，而是某个统计日期、某同协议下的公开最高分。

1

单一真相源：所有分数以 claim_card.json 为准，官网 / 话术 / 投资人材料必须一字不差。

2

统计日期锚定：每个主张都带统计日期，如同奥运冠军是「某一届赛事、某一时刻」的公开最高分。

3

非官方指标须标注：LoCoMo 采用 LLM-as-Judge，属非官方口径，对外明示。

4

第三方超越不隐藏：若第三方取得更高分，主张仅限该统计日期成立，不泛化为永久第一。