P-ContextBench发布：SOTA模型在个人情境推理上表现不佳

P-ContextBench 是一个针对大语言模型个人上下文理解能力的新型评估基准，旨在解决现有评估难以覆盖隐私、碎片化和动态变化的个人数据问题。该基准通过构建基于美国人口统计特征的数字化人，将性格、习惯、目标和约束嵌入到模拟的移动应用记录中，而非使用静态档案，从而更真实地还原个人场景。 测试结果显示，即使是成本效益最优的 SOTA 模型，在时间状态追踪、从日常行为推断高层级个人模式以及处理与特定人设约束冲突的请求时，准确率均低于 60%。在全部测试案例中，仅有不到 10% 的案例在三次重复运行中均能正确回答。这表明当前模型在处理需要长期记忆整合和复杂逻辑判断的个人 Agent 任务时存在显著的能力断层。 事实层面，该基准包含 100 个数字人、10,088 个隐藏事实和 4,810 个验证过的测试用例。推断层面，这意味着目前的技术距离构建可靠、安全的个人 Agent 仍有较大差距，特别是在涉及用户隐私安全和个性化决策的场景下。猜测层面，若无法突破这一瓶颈，个人 Agent 的商业化落地可能会因可靠性不足而受阻，行业需重新审视对“通用智能”在垂直场景适用性的假设。