BeliefShift：基准测试 LLM 智能体的时间信念一致性与观点漂移

大型语言模型常被用作长程对话智能体，但现有记忆基准多将用户信息视为静态事实，忽视了人类观点随时间变化的特性。本文提出 BeliefShift，一个专为评估多会话交互中信念动态设计的纵向基准，涵盖时间信念一致性、矛盾检测及证据驱动修正三个赛道。数据集包含 2400 条跨健康、政治等领域的人工标注轨迹。实验评估了七种主流模型，揭示了个性化与抗漂移能力之间的权衡，并提出了信念修正准确率等四项新指标。