Tiger Data 在 6 天内用 Claude 完成 41 次长期对话记忆实验，复盘指出人工的关键作用是纠正评估目标与指标。LoCoMo 的起止 F1 为 0.392 和 0.666，但中途调整了评估口径，前后不可直接比较；最终原始 F1 为 0.638，文中列出的此前已发表最佳值为 0.598。
阅读原文