LLM代理能否遵守剧本？新基准测试长期交互一致性
一项新研究评估了大语言模型（LLM）代理在互动叙事中长期保持逻辑和故事承诺的能力。研究提出的NCP-Bench包含100个由电影梗概衍生的环境，每个环境都设有结构化的事实、情节轨迹和叙事承诺，可在交互过程中自动检查。实验显示，语言表达流畅并不保证逻辑一致性；面对用户的对抗性干预，即使是较强的模型也经常生成相互冲突的内容。表现最佳的GPT-5.2在20轮交互后的存活率仅为42%，不同模型的事实冲突率则介于40%和68%之间。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。