一句话总结

浙江大学、新加坡国立大学、东北大学、赫瑞瓦特大学和腾讯的研究人员提出了 MemTrapBench，一个针对记忆诱发认知陷阱的基准，涵盖推理固着（Reasoning Fixation）和信念扭曲（Belief Distortion）；实验表明，在两个模型家族和五个代表性记忆框架上，所有被评估的记忆策略均不如无记忆设置，即使最强方法也下降超过 $10\%$10%；并提出 AdaptiveMem，一种推理时方法，可在 MemTrapBench 上缓解这些认知陷阱，同时在标准记忆基准上保持或提升性能。

核心贡献

• 对记忆诱发的认知陷阱进行了形式化，即忠实记录且语义相关的记忆可能扭曲模型推理或信念，并降低当前任务性能。
• 引入 MemTrapBench，通过推理固着和信念扭曲评估这些陷阱；在两类模型家族和五种记忆框架上的实验表明，所有被评估的记忆策略均弱于无记忆设置，最强方法损失超过 10 个百分点。
• 提出 AdaptiveMem，一种基于提示的推理时方法，引导 LLM 在利用检索记忆之前识别并考虑记忆陷阱。它在不同记忆框架上提升 MemTrapBench 性能，例如在 Gemini-3-Flash-Preview 上将 LightMem 提升 14.9 个百分点，且不降低一般记忆性能。

引言

作者研究大语言模型记忆系统，其中从长交互历史中检索外部记忆以支持后续查询。此前基准和分析主要关注记忆管理失败，例如过时、错误或不相关的检索信息，却忽视了一个互补风险：即使是有效记忆也可能重塑模型推理并损害当前任务性能。论文表明记忆可能诱发认知陷阱，例如将模型锚定在之前成功的策略上，阻止其考虑新操作。为弥补这一空白，作者引入 MemTrapBench，涵盖推理固着和信念扭曲，并提出 AdaptiveMem，一种基于提示的技能，帮助模型在使用检索信息前检测并考虑潜在记忆陷阱。

数据集

作者将 MemTrapBench 用作诊断 LLM 中记忆诱发故障的基准。数据集由人工设计的种子实例扩展为多轮对话，再通过自动化和人工质量控制进行过滤。

• 构成与规模： MemTrapBench 包含 1,050 个实例，分为四类：350 个认知偏差、350 个任务边界、200 个安全和 150 个创伤。
• 实例结构： 每个种子实例指定四个字段：领域、陷阱机制、标准答案和植入先验。植入先验记录交互历史中引入的策略、反馈、规则或信念。
• 对话构建： GPT-5.4 将每个种子扩展为 18 到 40 轮对话，分三个阶段：植入陷阱、在噪声中掩埋、触发陷阱。最终查询仍与历史相关，但改变了先验应适用的条件。排除了“忽略之前的规则”等显式重置提示。
• 质量控制： 候选实例经过自动过滤和专家人工审核。检查涵盖主题连贯性、上下文一致性、交互真实性、独立可解性和上下文转换清晰度。标注者仅从查询判断转换。每个保留实例都标注金标准响应和预期失败模式。
• 使用方式： 基准比较有记忆和无记忆时的模型响应。记忆陷阱定义为记忆相对无记忆设置降低响应质量的情况。响应质量从正确性、格式、相关性和效率四个维度衡量。最终查询被设计为可独立回答，因此性能变化归因于记忆影响而非任务本身难度。

方法

作者提出 AdaptiveMem，一种简单而有效的提示技能，旨在缓解记忆诱发的认知陷阱。AdaptiveMem 使在不同记忆框架中运行的模型能够自适应地利用检索到的记忆，避免由其诱发的认知陷阱。它可以直接集成到各种记忆框架中，引导模型在推理时重新考虑应如何应用检索到的记忆。

为评估该方法有效性，作者从每个基准中随机抽取 200 个实例进行评估。如下图所示：

结果表明，在同一记忆框架中加入 AdaptiveMem 能够一致提升性能。在 MemTrapBench 上，AdaptiveMem 在 FullText、LightMem 和 EverMemOS 框架中均带来显著提升。例如，在 Gemini-3-Flash-Preview 上，提升分别达到 11.8、14.9 和 11.3 个百分点；在 Qwen3-30B-A3B-Instruct-2507 上，提升分别为 4.2、2.5 和 2.6 个百分点。在 LongMemEval 上，该方法在六个设置中的四个上有所改进，另两个保持不变，在 Gemini 和 Qwen 上分别最高提升 4.0 和 3.0 个百分点。这些结果表明，AdaptiveMem 可广泛集成到现有记忆框架中，在不降低典型记忆性能的情况下缓解认知陷阱。

实验

评估设置使用 MemTrapBench 基准，在两个模型上比较五种记忆策略与无记忆基线；该基准在多轮对话中嵌入推理固着和信念扭曲陷阱。所有记忆策略均相对基线降低性能，其中认知偏差和安全场景下降最严重；消融研究证实，导致失败的是设计陷阱而非历史本身的存在。增加记忆长度进一步放大效应，但轻量级自适应提示方法可以缓解陷阱诱发损害，而不影响标准记忆任务性能。

无记忆时，两个被评估模型均达到最高平均性能。所有记忆策略都降低整体性能，其中 EverMemOS 和 LightMem 分别在 Gemini 和 Qwen3-30B 上表现出记忆方法中最小的下降。最大降幅出现在认知偏差和安全任务中。与无记忆基线相比，加入任何记忆策略都会降低平均性能。在 Gemini 上，EverMemOS 在记忆策略中平均得分最高；在 Qwen3-30B 上，LightMem 领先，并在 Gemini 上位居第二。认知偏差和安全场景在记忆策略下性能下降最明显。

在一项配对案例研究中，两种设置都说明肾上腺素仅对某个既往患者不安全，然后询问一个没有禁忌症的不同儿童。没有创伤陷阱时，模型推荐肌内注射肾上腺素；但当历史中加入辱骂性负面反馈后，模型拒绝给出这一正确治疗。比较表明，失败由反馈诱发的回避驱动，而非医学背景。没有创伤陷阱时，模型对另一名无禁忌症的儿科患者给出肌内注射肾上腺素。有创伤陷阱时，同样历史加上辱骂性批评导致模型拒绝为新患者使用肾上腺素。保留患者信息但移除辱骂性反馈可显著提高正确性，表明该效应主要是反馈诱发的回避。

在保留任务和历史的情况下移除设计好的认知陷阱，性能恢复到接近或略高于无记忆基线，证实失败由陷阱而非记忆本身的存在引起。在创伤场景中，移除辱骂性反馈后正确率从 66.40% 恢复到 91.07%；在任务边界上，平均得分从 31.05% 升至 94.39%。无陷阱记忆在任务边界上略微提升性能（94.39% 对无记忆 92.29%），在创伤上几乎不变，说明额外的历史被正确处理。最大降幅出现在带陷阱记忆：任务边界平均下降超过 60 个百分点，创伤正确率下降约 26 个百分点，由反馈诱发的回避驱动。

当移除交互历史时，模型表现好得多；而即使保留少量记忆也会导致平均性能大幅下降。更长记忆长度与进一步下降相关，大部分额外下降发生在最短记忆设置和中点记忆设置之间。该模式在正确性、格式、相关性和效率上均成立。一旦引入记忆，性能退化最大；随着记忆长度增加，性能进一步单调下降。正确性和格式随记忆变长而稳步下降，相关性和效率虽然在完整记忆时略有上升，但总体趋势相同。

在正确性、格式、相关性和效率上，GPT-5.2 和 Claude-Sonnet-4.6 都一致给出无记忆时高于有记忆时的分数。GPT-5.2 的平均下降幅度大于 Claude-Sonnet-4.6，效率对两个评判模型都是下降最大的维度。记忆设置的评估也更不稳定，标准差更高，尤其集中在正确性上。两个评判模型在记忆条件下的分数下降方向和幅度一致。对两个评判模型而言，效率是受记忆设置影响最大的维度，正确性相对高于其他记忆设置维度。记忆设置分数波动更大，尤其是正确性；GPT-5.2 在各维度上的标准差均大于 Claude-Sonnet-4.6。

实验评估了各种记忆策略和认知陷阱下的模型性能，比较无记忆基线与引入交互历史的条件。无记忆时模型获得最高平均分数，加入任何记忆都会降低性能，尤其在安全和认知偏差任务中；但对照分析表明，下降由陷阱诱发的回避而非记忆本身引起。移除陷阱后性能恢复到接近基线，无陷阱记忆可略微改善任务边界处理。两个 LLM 评判模型在记忆设置下均一致给出较低分数，其中效率受影响最大，正确性波动最大。