你一定有过类似的体验:你跟常用的 AI 助手说“我下周三要去杭州出差,帮我盯着天气”。出差前再回来问它,它答:“您下周要去杭州,记得带伞。”
它一个字都没记错。只是它把这句话里的“下周”,原封不动留在了上周。
这种错,人几乎不会犯。人脑子里有一条自己会往前走的时间轴。但AI 的默认状态是把所有对话都堆在同一层,所谓“过了多久”的时序感要弱得多。
LongMemEval 把这种能力单独拎出来,做成了一类考题,叫「时间推理」。500 道题里 133 道,占四分之一还多。
「时间推理」不止考记性,还有“时序感”
LongMemEval 对时间推理的定义是:对用户信息中时间因素的意识,既包括对话里明说的日期,也包括会话自带的时间戳。
翻成大白话:它考的不止是“你记不记得那个日期”,而是“你能不能不把时间当成一个词,而当成一个坐标”。
先看一道真题:用户与AI时常聊起自己的“新车”,新车的品牌、型号、驾驶感受,以及车辆的小毛病等等。
某一天,用户会在对话中说自己刚给新车做完首次保养。一周后的对话里,用户说车上那套 GPS 出了问题,已经换掉了。
最后,用户作为考官发问:新车首次保养之后,我遇到的第一个问题是什么?
对话的具体日期都在,但这道题的答案却不是读日期就能拿到的。题目中的关键词有两个:“之后”、“第一个”。需要AI先把“首次保养”认成一个锚,把思考范围锚定在保养那天之后;再在这个区间里排序,取最早的那件事。
三个动作,任何一步松动都会答错。锚认错,范围会收到保养之前;序排反,会答成之后发生的第二件事。这也是它比“隔了多少天”更难的地方:那种题只要算,这道题得先把边界立起来,再算。
记忆只负责把材料捞出来。答对答错,取决于捞出来之后,能不能摆上一条对得齐的轴。
AI的时间是“扁的”
多数系统的问题不在“记不住时间”。它压根没把时间存成一个维度。一条记忆进去,只保留三样东西:一段文本、一个来源、一个写入的时刻。
但问题在于:写入的时刻,和事情发生的时刻,不是一回事。
朋友圈的发布时间,不等于照片拍的时候。凌晨三点发出去的那张日落,是下午六点拍的。病历上的入院时间也不等于发病时间,人可能前天夜里就疼起来了,第二天早上才进的门。
这件事,人脑天然分得清,但AI极容易把写入时刻和发生时刻混在一起,从而导致时间相对的表述全废了。
东西没找错,但时间被排错。召回率再高,也补不上这一步。
AI的“时间”断点:钉不住、排不准、算不对
133 道「时间推理」真题的难点摊开,基本落在三个位置:
❖第一处是锚定:相对时间得先落成一个绝对日期,落点只能靠那句话所在会话的时间戳。
“上周五”不是一个日子,是个函数,值取决于这句话哪天说的。“两周前”是一个区间,“最近”是个模糊窗口,“第一次保养之后”是某个事件往后的一段。
系统只存文本、不存时间戳,也不做这步换算,那“上周五”就永远只是四个字。
❖第二处是排序:同一件事会在不同对话里反复出现,但可能措辞、指代、颗粒度每次都不一样。需要AI自己分辨并准确排列。
❖第三处是算差:这层最像算术,也最容易被低估。
纵观此类真题,最终的题目往往要在认清前两层的基础上再做一次计算。例如有一道关于“买音箱”的题要做减法,减数的起点是“开始上吉他课”的时候。类似的还有“多久没打网球”“比上次见面隔几个月”“过去三个月去了几次”,都是这一类。
三处串起来是一条链:钉不住就排不准,排不准就算不对。锚定在最底下,上面两层都压在它身上。
MemoryBear帮AI把这条轴拉直
多数系统的做法是:把相关的几段文本召回,交给模型去读。单点事实上够用。碰上时间题,交出去的是一堆“三周前”“上个月”,换算和排序全留给模型现场发挥。
LongMemEval 时间推理 133 题,MemoryBear 答对 125 题,准确率 93.98%,行业领先。MemoryBear 走的是另一条路:先把时间做成结构,再让问题在这套结构上检索。
第一步,写入时就分栏。
一条记忆进来,同时记下两样:事情发生在什么时候,这条信息是什么时候、从哪个会话、谁说的。白皮书管这层叫写入层,原话是“写入层的关键是保留来源”。
第二步,把时间挂到图谱上。
记忆不是把文本堆在一起:实体和关系进图谱,时间、来源、状态、类别进元数据层。这层专门处理同一实体跨会话聚合、事件与时间绑定、别名和指代归并、记忆更新与冲突判断。
到这里,时间从旁边的一个标签,变成了坐标里的一根轴。
第三步,把自然语言的时间换算成能比较的量。
这就是时间锚定模块。把自然语言中的日期、相对时间、事件顺序,转成可比较的时间信息。
四种换算。“上周五”结合会话日期解析成具体某天;“两周前”转成一个区间,不是一个点;“第一次保养之后”绑到保养这件事,取它往后的一段;“之前每周,现在隔周”认成一次状态变化,不只是一句描述。
第四步,后台自己校验时序。
系统里有一层反思归并,在低负载时回头查已有记忆。技术报告写的是三维:时间维度查时序一致性和更新节奏,事实维度查完整性,逻辑维度查因果链。
用到时间题上,它像在对账:这条记忆说自己是上个月发生的,可引用的会话在三月,对不上,就得修。
记忆难的地方,不在存,在归位。同一句“下周”,位置错了就是废话,位置对了才成为一件具体的事。
人也差不多。你觉得某段日子清楚,不是因为把每天都记住了,是那些事各有各的位置,谁在前谁在后,一眼能看出来。AI 现在补的是这一课。
记忆不是仓库,是坐标系。存了多少没那么要紧,要紧的是它能不能被指到、被比较、被接上。所谓“像人脑”,难的也在这一层——人记得多,更记得有条理。
下一期,我们介绍LongMemEval的最后一类题型:助手侧历史记忆。它考的不是用户说过什么,是 AI 承诺过的话,它自己还记不记得。
AI记忆科学100问,我们下期见。

