P-ContextBench：从个人事实回忆到个性化智能体行为

P-ContextBench 是一个评估大语言模型个人上下文理解的基准，包含 100 个人设、10,088 个隐藏事实和 4,810 个验证测试用例。 该基准测试涵盖单源事实恢复、多源事实恢复、时间状态追踪、高阶模式推理及约束感知行为决策五大能力。 前沿模型在时间追踪和高阶推理上准确率低于 60%，该基准为改进个人智能体的准确性、可靠性和安全性提供了可衡量目标。