HABIT-Bench：八种记忆系统测用户习惯推断，最佳仅 33.61%

上海交大 LUMIA Lab 等发布 HABIT-Bench，测试 LLM agent 记忆系统能否从稀疏对话证据中归纳并应用用户习惯，8 种记忆方法最佳四域宏平均准确率仅 33.61%（随机 25%）。基准覆盖美食、金融、软件、旅行四领域，用 Qwen3-235B-A22B 与 GLM-5.3-Flash 评估；即使直接提供标注证据，表现仍有限。代码与数据集已开源。