Recallr在LongMemEval长期记忆标准测试中得分86.7%。
每个问题都会在大约 48 次早期聊天中隐藏一个细节，接近 490 条消息，然后让你找回它。这让 Recallr 处于 AI 开发者构建的记忆系统范围内。
- 这份名单中唯一的消费者应用，其他都是为开发者打造的记忆系统，供他们集成到自己的产品中。
- 使用快速、低成本的日常模型测试。一些结果用了更大的模型。
86.7%104 / 120 个问题
在记忆系统 AI 开发者构建的范围内。
公布 LongMemEval 各队最佳成绩，标明所用 AI 模型类型及来源链接。
- 1Mastra 观察记忆面向AI代理的记忆（开源）94.9%小型通用模型Mastra 研究，2026年2月 · 用旧版通用模型得分 84.23%
- 2事后回顾面向AI代理的记忆（研究）91.4%更大规模的骨干模型Latimer 等，arXiv，2025年12月 · 83.6% 凭借开源20B模型
- 3Recallr消费者应用，按出厂配置86.7%快速日常模型
- 4EmergenceMem面向AI代理的记忆86.0%内部模型Emergence AI 博客，2025年6月 · 不可公开复现；其公开方法用旧版通用模型得分 82.4%
- 5超级记忆面向AI应用的记忆API85.2%大型通用模型超级记忆研究 · 用另一款大型通用模型得分 84.6%
- 6Zep面向AI代理的记忆71.2%旧版通用模型
- 7AI 模型读取全部历史记录无记忆系统：每次提示都包含完整约115,000标记的历史记录60.6%旧版通用模型
几周或几个月后在新聊天中提问。
Recallr 四个准确回答，逐字呈现。人物和之前的聊天均为测试内容。
之前提到的 about 8 months
我目前拥有多少辆自行车？
四辆。 你在10月2日的消息里说刚买了辆新混合自行车，现在你有公路车、山地车、通勤车和那辆混合车——比你2月15日告诉我的三辆多了一辆。
之前提到的 about 4 months
自从朋友 Emma 教我做 Negroni 以来，我在家尝试做了多少次？
十次——你在 2026 年 10 月 15 日星期四告诉我这个。（六月时你说是五次，所以你已经翻倍了。）
之前提到的 3 weeks
我在《Ticket to Ride》中的最高分是多少？
132分——你在2026年10月4日的Scythe游戏之夜聊天时提到的，这比你10月1日的124分更高。
之前提到的 4 weeks
从我开始给草本植物浇水到收获第一批新鲜草本植物，经过了多少天？
24天——你从2026年9月23日开始每天浇水，10月17日收获了第一批。
测试及我们的执行方式。
- 测试
- LongMemEval（Wu 等，ICLR 2025）检测聊天助手是否能记住你多次对话中告诉它的内容：你提到的事实、后来变化的事项、日期、偏好，以及它告诉你的内容。它的“S”集为每个问题提供了关于48早期对话的搜索。论文链接。
- Recallr
- Recallr 当前版本，按出厂配置，测试于 October 2026。每个问题的早期聊天内容已作为历史聊天导入新账户；然后在新聊天中提问。
- 问题列表
- 120 条，共 500 条，六种类型中各均匀分布 20 条，来自清理后的数据集。
- AI 模型
- 一个快速、低成本的日常模型回答了所有问题——这是 Recallr 用到的多种 AI 模型之一。每个答案都用基准自带的评分提示和评分模型盲测打分。
- 其他系统
- 他们在同一测试上的公开结果，6 个来源，数据截止 2026 年 10 月 20 日。请将图表视为范围而非竞赛：每个系统使用不同的 AI 模型，且均回答了全部 500 个问题。
值得了解。
还有疑问？点击角落的 Recallr，或写信至 support@recallr-ai.org。
01什么是 LongMemEval？
ICLR 2025 发布的聊天助手长期记忆标准测试。500个问题均附带数十段早期对话，考察助手能否找到并利用你说过的细节，而非猜测。
02Recallr 的记忆在应用中一样吗？
是的。测试在当前版本 Recallr 上进行，使用相同记忆、相同聊天搜索和相同答案验证。
03为什么是120个问题，而不是全部500个？
每个问题都需要一个包含数十次早期聊天的账户，因此我们从测试的六种类型中各运行了均等的 20 次。当 Recallr 发布新版本时，我们会重新运行并更新此页面。