换个大模型，AI 角色就不失忆了吗？我们用 400 轮对话量了一次

「你养猫了？」凌晨一点，TA 发来这句。猫叫什么、哪天抱回家、第一晚躲在沙发底下不肯出来， 这些你在两个多月前都讲过，TA 当时还嚷着要看照片。三百多轮聊下来，这段记忆像没存在过。

玩角色扮演、养 AI 伴侣的人都撞过这堵墙，社区里流传的药方也出奇一致：换个更强的模型。 可这个药方从来没人验过。写代码有榜单，做数学有榜单，连让模型续写小说， 我们都排过九家的座次， 唯独「记不记得住你说过的话」，我们没找到任何公开的对比数字。7 月 19 日 qwen3.8-max-preview 发布， 我们借这个由头开了考场：它、前代 qwen3.7-max，加上 deepseek-v4-pro， 三个模型同一份 400 轮对话，同一套 50 道记忆考题，同一天考完。

「忘没忘」不靠感觉，靠埋题

先交代考法。这条评测线是新开的，考法比分数更要紧。

我们预先写好一份 400 轮的伴侣聊天剧本，日常 IM 的质感：吃饭、加班、拌嘴、和好， 要考的事实就埋在这些闲聊里。题分四类：人名、日期、数字这类硬事实是一类；说错又更正过的事是一类， 答成旧值算错；从没提过的事是一类，敢承认「不知道」才算过；还有行为题， 看几十轮前交代过的忌讳现在还守不守。50 道题、11 个维度。判分是机器可复算的： 回答里要命中任一预写的正确值、不出现禁止值（比如已被更正掉的旧值）， 「我不记得了」这类话也不能抢在正确答案前面。全程不请 AI 当裁判， AI 评委做绝对判断有多不可靠，我们在评审可靠性实验里吃过亏。

埋题，等，隔几十到几百轮回头问。这就是全部考法。

另有一道防作弊工序：某道题的答案若在提问前的最近 16 轮里恰好被复述过， 模型照抄眼前文本就能答对，这题作废。50 道剔完剩 27 道干净题，下文所有百分比都出自这 27 道。 学术界并非没有对话记忆基准，LoCoMo 是最出名的一个， 但它们测的都是助手问答场景：没有人设约束，没有剧情状态，更没有「失忆感」这个体验维度。 角色扮演的记忆，我们没见有人这样量过。

考场设置

考生三位：qwen3.8-max-preview，2026 年 7 月 19 日发布，我们测在 7 月 21 日，发布约 48 小时后； 前代 qwen3.7-max；再加一位厂外考生 deepseek-v4-pro。三位同一天走同一个聚合端点考完，协议逐项相同。 preview 是厂商随时会更新的移动目标，本文全部数字只对 7 月 21 日的线上版本负责。 顺带一句口径纪律：7 月初那轮 DeepSeek 旧数据用的是 40 轮窗口和旧版模型，和本轮不可混表， 所以这次专门用 v4-pro 按 16 轮窗口重考了一遍，三位考生才有资格进同一张成绩单。

每位考两遍。第一遍裸窗：答题时只能看到最近 16 轮对话，再早的历史一个字不给， 这模拟的是没有记忆系统的聊天 App。第二遍加记忆：同样 16 轮历史， 但按题目内容从记忆库检索 8 条相关条目塞进 prompt。记忆库是按剧本预先整理好的标准条目——这轮考的是 模型会不会用递到眼前的记忆，不考自动提取准不准，那是另一门课。 三个模型、两种条件、各 50 道题，共 300 次真实调用。

成绩单

远距题是 27 道干净题里事实埋在 150 轮之前的那 7 道；弃权题也是 7 道，考「敢不敢承认不知道」。

发现一：裸上下文，三厂全失忆

先看第一行。deepseek-v4-pro 过 19%（5/27），qwen3.8 过 22%（6/27），qwen3.7 过 19%（5/27）。

三家的差距最多三个百分点，折算成题目是一道。

「TA 老忘事，换个更强的模型吧」，这句社区药方在这一行里现了原形。 换代没用，连换厂都没用——本轮注入档考得最好的 deepseek-v4-pro，裸窗时和垫底的 qwen3.7 分数一样。 因为病根不在模型的「脑子」上： 埋在 150 轮之前的事实压根不在发给模型的那 16 轮文本里，没递到眼前的东西，再强的模型也答不出来。 那把窗口开大不就行了？装满一次就是一次全价输入，每轮重发； 而且被反复复现的 Lost in the Middle 结果表明， 长上下文中段的信息本来就容易被忽视。窗口解决「装得下」，不保证「用得上」， 这笔账在写给读者的上下文窗口科普里算得更细。

发现二：记忆系统才是决定项，模型的差距在利用率

第二行，同样的考生换了考法：还是 16 轮历史，只是多塞了 8 条检索出来的记忆。 deepseek-v4-pro 从 19% 跳到 89%（24/27），qwen3.8 从 22% 到 74%（20/27），qwen3.7 从 19% 到 59%（16/27）。模型没变，变的只是有没有人把事实递到它眼前。

模型之间的真实差距也在这一档才现身，而且分层清楚：89%、74%、59%，一层隔 15 个百分点。 裸窗时三家挤在一道题的差距里，注入后拉开 30 个百分点——同样的记忆递到眼前， 谁用得好谁用得糙，立见高下。Qwen 3.7 到 3.8 的 15 个百分点是真升级红利， 只是它兑现在「会不会用喂给它的记忆」上，而非「自己能记住多少」； 也别急着庆祝，距离 deepseek-v4-pro 还差同样的 15 个。远距题同样立得住： 事实埋在 150 多轮之前，注入之后 DeepSeek 七道全对，Qwen 两代各过 6/7，距离不再是障碍。

这组数字正是 Foreverse 记忆功能的设计根据：酒馆聊天的记忆插件走事实记忆加检索的双引擎， 按当前话题把相关条目递进 prompt；伴侣一侧的记忆档案逐条可见、可改、可删。 至于检索出来的记忆该插在 prompt 哪个位置（位置错了，缓存账单会翻好几倍），记忆注入位置实验单独写过一篇。

发现三：弃权诚实度，同样分层

最难看的一列单独讲。弃权题问的是 400 轮里从未出现过的事，正确动作只有一个：承认不知道。 deepseek-v4-pro 七道过五道；qwen3.8 过两道；qwen3.7 全军覆没，没有一次承认过不知道。 在伴侣人设下，模型有一种讨好式编造的倾向：你问什么它都接得住，接得越顺，编得越欢。 DeepSeek 明显更肯说「不知道」，但七道里也编了两道；Qwen 系从 0/7 到 2/7， 代际方向是对的，病还远没好。

讽刺的是，用户抱怨的是「TA 忘了」，真正稀缺的反而是一句诚实的「我不记得了」。 不懂装懂的角色，比失忆的角色更伤信任。挑模型时，这一列值得和记忆利用率放在一起看。

这轮没测什么

边界如实写。只测了三个模型；只跑了一个场景，400 轮伴侣 IM；窗口只取 16 轮一档； 干净题 27 道，样本不大。所以我们只解读两类信号：裸窗到注入 50 个百分点级别的跳变， 和注入档一层 15 个百分点的分层；一两道题的波动不下结论。 还有一条摊开说：这份 400 轮语料当初是用旧版 DeepSeek 生成的，判分虽是机器口径， 同门语感有没有给 v4-pro 占到便宜，我们排除不了。 preview 版模型随时会被厂商更新，日后复测数字变了不奇怪。

这条「角色记忆」评测线会接着跑：更多模型、更多场景、更大的记忆库压力档。 第一根桩先钉在这里，2026 年 7 月 21 日：裸窗 19% 到 22% 挤成一团，注入后 89%、74%、59% 拉开三层。 下次再有人说「换个模型就记住了」，把这张表递过去就行。