一句话看懂：arXiv 11 月 3 日公开的论文提出 MemU-Bench，用 118 个“含糊且依赖历史”的移动端任务检验 GUI 智能体，并给出免训练的 AppMem 记忆框架；目前最强系统在没有用户历史时 SPL 仅 16.4%，说明“记住过去操作”是这类智能体的明显短板。
事件核心：发生了什么
现有 GUI 基准大多假设用户指令精确、与操作历史无关。MemU-Bench 反其道而行：任务建立于 29 条长程用户轨迹之上，用户说出的指令省略了过去的操作细节，智能体必须从冗长杂乱的交互流中提炼记忆，再按需找回缺失的上下文。任务结果以序列化应用数据库作校验。除成功率外，该基准引入交互效率（IE）和按路径长度加权的成功率（SPL），用来识别那些靠跨应用穷举搜索“碰对”而非真正回忆历史的智能体。
在论文摘要给出的评测条件下，缺乏用户历史的系统表现不佳：表现最好的 Gemini-3.1-Pro 的 SPL 仅 16.4%，端到端 GUI 智能体低于 5%。作者同时提出免训练的 AppMem，将用户历史整理为以应用为中心的结构化记忆库，跟踪跨应用切换时被打断的意图，并通过推断目标应用选择性检索；它把 GPT-5.5 的 SPL 从 15.7% 提升至 66.9%（+51.2%），比简单摘要基线高 9.3%。以上仅为摘要口径，未核验全文实验。
为什么重要
GUI 智能体正从演示走向日常使用，而真实用户的指令往往残缺、前后关联。排行榜上的高分可能来自一次次试探点击，而非理解用户意图，这会让交互成本与错误率被低估。MemU-Bench 把“记忆管理”推到评测中心，也为训练、推理之外的记忆模块提供了可量化的比较维度；若方法可复现，对手机助手类 AI 应用的落地节奏有参考意义。
对用户/开发者/创作者的影响
对用户而言，评估重点从“能不能完成”扩展到“完成得是否省事”，未来手机助手若接入结构化记忆，跨应用续接任务可能更顺滑，但隐私与本地化存储会成为前提问题。开发者需要注意的是，SPL 这类效率指标可能进入模型选型清单，长对话上下文与外部记忆库的设计同样值得投入。内容创作者若依赖智能体自动操作应用，则要预期模糊指令下仍存在明显失败率。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 AppMem 的结构化记忆在更多模型骨干与真实应用上的泛化是否成立；二是该基准会否被社区复现并纳入 GUI 智能体常规评测；三是隐私敏感的场景中，用户历史如何存储、何时检索，将决定这类记忆方案能否产品化。
来源：arXiv cs.AI
