RecodeX 重构消息，研究人员发布CIMemories基准，用于评估大语言模型（LLM）在持久记忆使用中的上下文完整性。该基准为每个用户合成超100个属性，并配对多种任务场景。评估显示，前沿模型在属性级违规（不恰当泄露信息）上高达69%，且违规率随任务和运行次数累积：GPT-5在任务数从1增至40时，违规率从0.1%升至9.6%，同一提示执行5次后达25.1%。隐私提示无法解决此问题，模型常过度泛化，而非做出上下文相关的精细决策。研究指出，这需要上下文感知推理能力，而非仅靠提示或扩展。