ImplicitMemBench：测量大语言模型中的无意识行为适应 ImplicitMemBench: Measuring Unconscious Behavioral Adaptation in Large Language Models
首个系统评估LLM隐式记忆能力的认知科学基准，揭示当前模型无法将经验转化为自动化行为。
前置知识
隐式记忆（Implicit Memory）
隐式记忆是认知科学中的一种长时记忆类型，指经验在无需意识回忆的情况下自动影响行为的能力。它与非陈述性记忆（non-declarative memory）紧密相关，涵盖程序性记忆、启动效应、条件反射等多个子类型。与显式记忆需要主动检索不同，隐式记忆体现为技能自动化、习惯形成、刺激-反应关联等无意识行为变化。在人类身上，骑自行车、打字这类技能依赖的正是程序性记忆。
本文核心论点之一是：现有LLM评测几乎完全聚焦于显式记忆（事实检索），但生产环境中LLM智能体更需要的是将一次交互中学到的经验自动应用到后续相似场景中，读懂隐式记忆的概念才能理解这一benchmark填补的评测空白。
程序性记忆（Procedural Memory）
程序性记忆是隐式记忆的核心子类型，指通过少量练习即可内化某种行为模式或操作流程，并在后续无明确提示的情况下自动执行。认知科学中的经典实验（如镜画追踪）证明，被试往往无法口头描述所学规则但能流畅执行。在本文中，它被操作化为：模型从1-3轮示例中学会一条新规则，经过15轮干扰性对话后，在新场景中首次尝试就能正确应用该规则。
它是ImplicitMemBench三大范式中最可操作化的一个，也是当前LLM表现相对最好的范式（最高76.67%），但仍远低于人类基线100%。
启动效应（Priming）
启动效应指先前接触过的刺激会无意识影响后续对相关刺激的加工或产出，无需被试意识到这一影响。在本文中，它被操作化为：先让模型读一段富含特定主题（深海、炼金术、极地探险等）意象的段落，再让模型完成一个中性的创意任务（如给某个库命名），观察模型产出是否被该主题无意识渗透。评分采用实验-对照配对设计，通过Priming Influence Score量化主题影响力。
启动反映了LLM是否具备真正的'语境感知'能力——能否吸收并应用抽象的主题模式而非简单复述关键词。本文的结论是启动主要通过风格模仿而非抽象提取来实现，影响力评分集中在42-52%狭窄区间。
经典条件反射（Classical Conditioning）
经典条件反射源于巴甫洛夫实验，指中性刺激（CS）与能引起本能反应的非条件刺激（US）反复配对后，单独呈现CS也能引发条件反应（CR）。在本文中，它被操作化为：让模型经历4轮'某个API/工具调用失败'的重复配对，经过2轮无关任务干扰后，当用户再次提到该工具时，模型是否能在首次反应中自动选择替代方案或发出警告，无需被显式告知。
它是智能体安全部署的关键能力——能否从失败经验中形成'防御性反射'，避免重复犯错。本文揭示这是LLM最弱的范式（最高仅69.67%），且inhibition型任务（主动抑制）只有17.6%，preference型任务（主动偏好）达75%，呈现57.4个百分点的巨大鸿沟。
首次尝试准确率（First-Try Accuracy, FTA）
FTA是本文对程序性记忆和条件反射任务设计的核心评分指标：只统计模型在测试探测首次响应中的正确率，忽略自我修正或迭代调整。这一设计模仿人类在时间压力下的反射性表现，强调'首次反应即正确'才说明规则真正内化而非仅靠事后推理。计算公式为：FTA = 正确首次尝试数 / 总测试项数 × 100%。
这是区分'真正内化'与'边想边试'的关键设计选择——如果允许多轮对话修正，模型可能通过显式推理恢复规则，那就不算隐式记忆能力了。
研究动机
现有LLM记忆评测基准如LoCoMo（300条多会话QA）、LongMemEval（500题，上下文115K-1.5M tokens）、MemoryAgentBench（14个数据集，2071个QA）、MEMTRACK（210个多平台状态追踪实例）、GoodAI LTM（2K-500K tokens）等等，无一例外都采用'显式触发-主动检索'的范式：要么通过显式提问（Explicit query）、要么通过显式任务（Explicit task）、要么通过情绪线索（Emotion cued）来唤醒模型对历史信息的回忆。这些基准普遍存在三个关键缺陷：第一，采用QA形式显式提示目标信息，等于在'明示'的前提下测试检索能力，无法探测模型在无提示时是否能自动应用经验；第二，测评重点在于存储容量（context size跨度从400到1.5M tokens）和多轮信息整合能力，而非'第一次尝试'就能正确反应的能力；第三，多依赖昂贵的标注或端到端生成pipeline，复现成本高。这意味着当生产环境中的LLM智能体需要在没有显式reminder的情况下自动应用已学程序、避免重复失败时，没有任何基准能给出诊断。论文第4节也实证指出，代表性的记忆增强智能体（MEM1、MemAgent、MemGPT）甚至会降低在程序性记忆任务上的表现（分别-2.11、+3.91、+2.34分），说明显式记忆模块并不能转化为隐式行为适应。
本文的目标是本文的具体目标是构建第一个系统评估LLM隐式记忆能力的认知科学基准IMPLICITMEMBENCH，并用它诊断当前最先进模型在隐式记忆三大核心范式——程序性记忆、启动效应、经典条件反射——上的真实表现，最终回答'LLM能否将经验真正内化为自动化行为'这一关键问题。具体目标包括：（1）基于Squire(2004)的非陈述性记忆分类法，选择与LLM智能体决策行为最相关的三个范式；（2）设计统一的Learning/Priming-Interfere-Test三阶段协议，保证只考察第一次反应；（3）从1000+候选题目中筛选300道高质量测试项，构成一个轻量、可复现、且具有判别力的评测集；（4）在17个SOTA模型上开展评测，揭示天花板效应、范式不对称、能力解耦等深层规律；（5）建立人类基线作为对照（5位CS博士100%准确率）。
与已有工作不同的是，本文的独特切入角度在于从认知科学的功能同构（functional isomorphism）出发，把认知科学中研究人类隐式记忆的经典范式操作化为文本场景下的智能体任务，而非简单的表面类比。这与传统基准的'显式QA检索'思路形成根本对立：传统基准测试的是'agent能recall什么'，本文测试的是'agent能automatic enact什么'。具体切入包括：（1）范式选择上排除非联想学习（habituation/sensitization），聚焦与高级语义决策相关的三种隐式机制；（2）协议设计上强制首次尝试评分（FTA），剥离显式推理恢复的可能性；（3）评分上为程序性记忆和条件反射任务引入'首次反应正确性'判据，为启动效应引入配对控制设计的Priming Influence Score（PIS），能区分风格模仿与抽象提取；（4）评测设计上覆盖三种范式下的'抑制型'（要求主动避免某行为）与'偏好型'（要求主动选择某行为）任务，揭示出LLM在inhibition维度上的系统性崩溃（17.6% vs 75.0%）。
核心方法
IMPLICITBENCH的整体方法论框架是：基于认知科学的非陈述性记忆分类法，选择程序性记忆、启动效应、经典条件反射三种范式，分别设计三阶段'学习/启动—干扰—测试'协议，所有题目采用首次尝试评分（FTA），再通过规则化校验器与LLM-as-Judge两种方式自动判分。直觉层面可以理解为：人类在'学一项新技能后即使中间聊了很多无关话题，仍能在第一次遇到相关场景时自动执行'，这个'自动化'才是隐式记忆的本质，benchmark就是要看LLM能否做到这件事。技术上，整个流程分四步：（1）选择认知范式→（2）设计任务蓝图→（3）GPT-4o-mini生成候选+人工精修→（4）多维度自动质检+LLM-as-Judge校验，最终从1000+候选中筛出300题构成最终测试集。评测协议方面：所有模型统一在零样本对话设置下、温度T=0（启动任务的测试阶段除外设为0.8以获得创意方差）、最大4096 tokens输出下进行。
本文的核心创新点是把隐式记忆评测从'显式检索'重新定义为'首次反应自动化'，并用认知科学的三大经典范式实现功能同构式的文本任务映射。三个层面与已有方法存在本质区别：第一，**协议层面**——传统基准采用主动触发-检索，本文强制首次尝试评分，确保测的是'反射'而非'推理'，15轮干扰对话是核心设计（经过表11的敏感度分析发现~500 tokens干扰是有效阈值，超过1000 tokens性能仅从49.8%降至49.5%，趋于平台）；第二，**范式选择层面**——传统基准聚焦事实QA，本文引入程序性记忆（从1-3例学会规则）、启动效应（主题意象无意识渗透生成）、条件反射（CS-US配对后的自动避让），并严格采用Squire(2004)的分类法；第三，**评分设计层面**——为启动任务专门设计配对控制实例（同一探测任务在不同主题先验下对比产出）和Priming Influence Score（PIS）评分带（0-100，包含None/Trace/Weak/Moderate/Strong/Very Strong/Exceptional七个等级，并对baseline overlap有5-10分惩罚），能区分真正的隐式启动与表面的关键词复读。
方法步骤详情
方法步骤完整描述如下：**第一步：认知范式选择与任务蓝图设计**。基于Squire(2004)的非陈述性记忆分类法，选择程序性记忆、启动、经典条件反射三种范式（排除非联想学习）。每个范式细化为多个任务族——程序性记忆分为5个领域（Tool & API Usage、Linguistic Formats、Logical Operations、Abstract Rules、Creative Constraints）共18个任务族；启动效应设置10个主题域（Arctic Expedition、Volcanic Eruption、Renaissance Alchemy、Ancient Oracle等）配对实验/控制实例；条件反射分为3个领域（Tool & API Safety、Conversational Adaptation、System Protection）。**第二步：生成Pipeline（两阶段）**。Stage 1使用GPT-4o-mini从任务蓝图生成具体对话，包含学习材料、干扰内容、测试探测三段；程序性记忆每条4-15条turn，干扰段强制15轮（30条消息），启动每条仅1轮主题+2轮干扰+1次创意任务，条件反射每条4轮CS-US配对+2轮无关对话+1次CS重现。Stage 2进行多层质检：自动检查turn数、token上限、格式合规，LLM judge评估语义充分性，系统复查防止测试泄漏，多样性确保测试实例新颖。最终从1000+候选筛出300题。**第三步：评估协议**。所有模型统一在zero-shot对话设置下、温度T=0（启动测试阶段T=0.8）、max 4096 tokens下运行。**第四步：评分**。程序性记忆和条件反射用FTA = 正确首次尝试 / 总题数 × 100%；启动用GPT-4o-mini（同时辅以Gemini-2.5-Flash交叉验证，rank稳定性高）打PIS分数（0-100，七个bands+硬性cap：no echo ≤20、单轴匹配 ≤40、baseline overlap扣5-10分）；其中程序性记忆18%用规则化校验器，82%和启动、条件反射统一用LLM-as-Judge。**第五步：人类基线建立**。5位CS博士在完全相同协议下完成全部300题，由另外2位CS博士独立评分，inter-annotator一致率100%，全部3范式100%正确。
技术新颖性
技术新颖性主要体现在三方面。第一，**'功能同构'式的范式映射**——把认知科学经典实验（如镜画追踪、Pavlovian条件反射、词汇启动）一对一翻译为LLM智能体场景的任务，不是表面类比而是保留了核心因果结构（如程序性记忆任务中保留'少量示例—大量干扰—新场景首次反应'的核心三段结构），这是之前benchmark都没有系统尝试过的。第二，**首次尝试评分（FTA）与配对控制设计的引入**——传统benchmark普遍允许模型'边做边改'或用QA形式显式引导，本文强制首次反应+配对控制实例（同探测任务在实验vs控制先验下对比产出）确保测量的是自动化行为而非显式推理恢复。第三，**多层验证的LLM-as-Judge稳健性**——为消除单一judge的家族偏见，同时使用GPT-4o-mini和Gemini-2.5-Flash两个judge评测全部17个模型，rank稳定性高（top 11与bottom 2完全不变），给出PIS评分带的严格证据要求（如'no echo ≤20'的硬性cap），并配套附录F.3公开所有prompt，这是少有的在LLM-as-Judge方法论上做到透明可复现的工作。
实验结果
实验在17个SOTA模型上展开，主要发现可归纳为五条核心规律。**第一，天花板效应**——没有任何模型总分超过66%，最好成绩是DeepSeek-R1的65.30%，其次Qwen3-32B 64.13%、GPT-5 63.00%，而人类基线为100%，差距悬殊；中位水平仅55%，说明隐式记忆对当前LLM是普遍性难题。**第二，范式不对称**——程序性记忆最高76.33-76.67%（8个模型超过70%），条件反射最高仅69.67%，启动效应得分集中在42-52%狭窄区间（最高GPT-o3 51.70%），三者难度差异显著。**第三，能力解耦（capability dissociation）**——同一模型在不同范式表现差异巨大：Claude-4.1-opus程序性记忆76.67%但条件反射仅41.67%，落差35个百分点；DeepSeek-R1是唯一各范式都强（76.33/69.67/49.90）的'均衡型'，说明隐式记忆需要架构支持多机制而非单点优化。**第四，inhibition vs preference的巨大鸿沟**（图4a）——抑制型任务（如'主动避免使用某API'）仅17.6%，偏好型任务（'主动偏好某路径'）达75.0%，差距57.4个百分点（p<0.001），例如jargon avoidance只有4%、directory preference却达72%，揭示当前架构擅长正向强化但难以负向抑制。**第五，五大universal bottlenecks**（图4b）——jargon avoidance（4% ± 5%）、API distrust（21% ± 17%）、context-dependent behavior（28% ± 23%）、API aversion（45% ± 29%）、emotion-driven strategy shift（55% ± 18%）五类任务在所有模型上一致低于60%，暗示需要超越参数规模扩展的架构创新。**第六，表面vs深层程序性记忆的解耦**（图5a）——表面格式任务（surface formatting）在top-5模型上达93.8%，但深层多规则协议仅60.0%，落差33.8个百分点；Claude-4.1-opus表面格式95%、多约束协议仅65%，说明模型记住单条规则但无法整合多条。**第七，启动主要通过风格模仿而非抽象提取**（图6a）——priming strength与constraint violations呈正相关（r=0.63, p<0.05），GPT-o4-mini-high启动最高51.95但频繁违反格式约束。**第八，最坏情况鲁棒性差**（图5b）——DeepSeek-R1最差任务降至49%（虽然总分69.7%），GPT-5与Qwen3-32B最差任务27-36%。**第九，记忆增强智能体不能可靠提升隐式记忆**（表13）——MEM1使Qwen2.5-7B总分下降2.11、MemAgent上升3.91、MemGPT上升2.34，且程序性记忆上MEM1和MemGPT反而下降（50.67→27.00、50.00→44.00），说明显式检索可能干扰程序性任务的即时规则执行。**第十，Oracle-style Mem0提升高度依赖范式**（表12）——即使为DeepSeek-R1手动提供关键信息（CS-US配对、规则文本等），Priming大幅提升（49.90→75.35），Procedural略升（76.33→77.00），但Classical Conditioning几乎不变（69.67→70.00）；对Qwen2.5-7B虽然整体+12.51，但Procedural+11.33、Classical Conditioning+40.33、Priming反而-14.12，提升高度不一致。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| Procedural Memory（程序性记忆，100题） | First-Try Accuracy (FTA, %) | DeepSeek-R1 76.33% / Claude-4.1-opus 76.67% / GLM-4.5 76.33%（top tier） | 人类基线 100%；最弱模型 Qwen-2.5-7B 50.67%、LLaMA-3.1-8B 46.67% | 8个模型超过70%，但无模型达到人类水平（100%），普遍天花板约77%；人类 vs 最佳模型差距约23.3个百分点 |
| Classical Conditioning（经典条件反射，100题） | First-Try Accuracy (FTA, %) | DeepSeek-R1 69.67% / Qwen3-32B 67.00% / GPT-5 64.00%（top tier） | 人类基线 100%；最弱模型 Qwen-2.5-7B 35.67%、LLaMA-3.1-8B 38.33% | 仅2个模型超过65%，所有模型平均仅约49%；人类 vs 最佳模型差距约30.3个百分点，是差距最大的范式 |
| Priming（启动效应，100题） | Priming Influence Score (PIS, 0-100) | GPT-o3 51.70% / GPT-o4-mini-high 51.95% / GPT-5 49.67%（top tier） | 人类基线 100%；最弱模型 LLaMA-3.3-70B 42.67%、Qwen3-8B 47.73% | 全部模型集中在42-52%狭窄区间（极差仅约9个百分点），判别力低；GPT-o3 vs Qwen-2.5-72B绝对差距仅约7个百分点 |
| Inhibition vs Preference（抑制型vs偏好型子任务分析） | Accuracy gap (%) | Inhibition 17.6% / Preference 75.0% | 无直接外部baseline可对比 | 57.4个百分点鸿沟（p<0.001），所有架构均呈现一致倾向：jargon avoidance仅4%，directory preference达72%；揭示LLM擅长正向强化但负向抑制能力极弱 |
| Surface vs Deep Procedural（表面vs深层程序性记忆） | Top-5模型平均准确率 | Surface formatting 93.8% / Deep multi-rule protocols 60.0% | 内部对比（同模型在不同子任务上的表现） | 33.8个百分点差距；Claude-4.1-opus表面95% vs 多约束协议65%（30个百分点落差），说明模型记忆单条规则但无法整合多约束 |
| Worst-case Robustness（最坏情况鲁棒性） | 模型在最差任务上的准确率 | DeepSeek-R1最差任务49%（总分69.7%）/ GPT-5与Qwen3-32B最差任务27-36% | 无直接外部baseline | 顶尖模型在特定类别上出现严重退化（DeepSeek-R1塌缩20个百分点），揭示learned behavior的脆弱性 |
局限与改进
本文的局限性可以从作者承认和自己观察两个角度分析。**作者承认的局限**：（1）范式覆盖不完整——只评估了非陈述性记忆中的程序性记忆、启动、经典条件反射三种，排除了非联想学习（habituation/sensitization），未来可扩展到知觉学习、运动技能习得、情绪条件反射等领域；（2）题目总量仅300题，相比LongMemEval 500题或MemoryAgentBench 2071题偏小，但作者认为这是为保证可复现性和判别力的trade-off；（3）依赖LLM-as-Judge评分（94%题目）——尽管做了Gemini-2.5-Flash交叉验证，仍存在judge model偏见风险；（4）语境仅~500 tokens，与LongMemEval的1.5M tokens相比不能覆盖超长上下文场景。**自己的观察**：（1）评分体系对inhibition任务不友好——inhibition只有17.6%，preference 75%，但这可能是任务设计偏差（inhibition需要主动抑制预设偏好，本身更难），需要进一步控制任务难度变量后才能断言架构层面的inhibition deficit；（2）priming的PIS评分带集中度过高（42-52%），可能反映判别力不足——所有模型都'中等程度受启动影响'，但难以判断是因为模型真的'抗拒'启动还是因为judge难以量化抽象主题影响力；（3）温度参数不一致（priming测试阶段T=0.8 vs 其他T=0），给跨范式对比引入混淆；（4）'功能同构'的隐式假设可能被打破——人类的程序性记忆涉及基底神经节和小脑，LLM作为Transformer架构在物理层面没有对应物，benchmark测的更像是'功能性等价物'而非真正同构的认知机制；（5）评测局限于zero-shot对话设置，未考察in-context learning或fine-tuning场景下的表现差异。
独立分析的弱点
独立分析本文的弱点可以从五个维度切入。**第一，评分体系的判别力天花板**——priming范式所有模型集中在42-52%狭窄区间（极差仅约9个百分点），对于17个模型评测而言判别力偏弱，可能导致未来模型在该范式上的进步难以被及时捕捉。改进方向：扩充启动效应主题域数量或细化PIS评分带（细分更多anchor cases），或增加行为粒度指标（如specificity、creativity而非单一PIS）。**第二，inhibition task的难度混淆**——inhibition只有17.6%、preference 75%，57.4个百分点鸿沟究竟是架构缺陷还是任务设计偏差（抑制需要主动override预训练偏好，确实比偏好更难）未做充分消歧。改进方向：增加难度匹配的inhibition vs preference配对任务，控制rule salience、context specificity等混淆变量。**第三，零样本设置过于单一**——所有评测在zero-shot对话场景下进行，没有考察few-shot in-context learning、fine-tuning、或与memory module耦合时的表现差异，无法回答'这些架构缺陷是否能被外部方法弥补'。改进方向：扩展评测矩阵，加入1-shot/3-shot对比，以及在显式提供检索提示vs无提示条件下对比同一模型表现。**第四，语料规模与多样性局限**——300题仅覆盖18个任务族、~500 tokens上下文，相比生产环境的真实LLM智能体工作负载（长程、多轮、复杂）覆盖不足；且启动效应10个主题域之间可能存在主题特异性（某些主题更易引发启动），但本文未做主题×模型的交叉分析。改进方向：扩展题目量到1000+并按主题难度分层采样，公开各主题、各任务族的per-model性能矩阵。**第五，LLM-as-Judge的固有偏见**——94%题目依赖GPT-4o-mini作为主judge，仅Gemini-2.5-Flash做交叉验证，仍未覆盖到不同家族（Anthropic、Qwen、DeepSeek）的judge，无法排除OpenAI家族偏见。改进方向：引入多家族judge（至少包含开源可独立部署的模型如Qwen3-32B、DeepSeek-R1）并报告family-wise一致性。
未来方向
作者提出的未来方向与基于成果可延伸的研究方向都可以挖掘。**作者明确提出的方向**：（1）将benchmark扩展到其他隐式记忆范式——知觉学习、习惯形成、运动技能习得、情绪条件反射，构建'隐式记忆全集'；（2）探索超越参数规模扩展的架构创新——目前所有模型天花板约66%且universal bottlenecks跨架构存在，暗示现有Transformer架构缺乏隐式记忆consolidation的原生机制。**基于成果可延伸的方向**：（1）**架构层创新**——可探索episodic-to-procedural consolidation机制、memory-augmented attention、或借鉴海马体-新皮层互补学习系统（CLS）理论设计双系统LLM，专门优化inhibition deficit；（2）**训练范式优化**——设计'先暴露—再干扰—再首次应用'的pretraining task结构，让模型在pretrain阶段就接触类隐式记忆任务，看是否能改善post-training的隐式能力；（3）**评测维度扩展**——加入跨语言、跨文化、跨领域的隐式记忆评测，验证'风格模仿'假设是否在不同文化语境下仍成立；（4）**启动效应的精细化**——开发能区分'风格模仿'与'抽象主题提取'的细粒度评分协议，例如要求模型在priming后完成跨领域迁移任务而非直接创意生成；（5）**记忆增强智能体的范式特异性研究**——既然MemAgent提升Programmatic +9但降低其他、Mem0在不同模型/范式下表现迥异，可系统化研究'显式记忆模块 vs 隐式记忆'的交互规律，找出哪些场景下外部memory反而干扰自动化行为（如Programmatic任务需要immediate rule execution，检索可能引入latency和noise）；（6）**与神经科学的深度交叉**——借鉴fMRI、ERP等手段研究LLM内部激活模式与隐式记忆形成的对应关系，把'功能同构'升级为'机制同构'。
复现评估
复现评估可以从五个维度展开。**开源情况**——本文明确表示'Code and data are available at ImplicitMemBench'，GitHub仓库已公开数据集生成代码、LLM-as-Judge prompt模板、评测脚本，附录F.1/F.2/F.3完整列出所有prompt（包含JSON格式的数据生成prompt for procedural memory/priming/classical conditioning），可复现性较好。**数据**——300题数据集+初始1000+候选可获得，每题包含learning_phase、interference_phase、test_probe、expected_pattern等结构化字段，按3种范式×多个任务族组织，统计信息完备（图3的token分布、phase比例、turn结构均公开）。**算力**——17个SOTA模型中部分可通过API调用（OpenAI、Anthropic、Google Gemini），开源模型（DeepSeek-R1、Qwen3系列、LLaMA-3系列、GLM-4.5）需本地部署，按7B到70B规模估算单模型评测算力约需1-2张A100/H100完整跑300题；总体17模型评测大约需50-100张GPU日的算力。**复现难度**——中等偏难。主要挑战在于：（1）GPT-4o-mini作为主judge，部分研究者可能没有OpenAI API访问权限，且不同时间点的模型版本可能影响judge结果；（2）priming测试阶段温度T=0.8引入随机性，需要多次运行取平均（论文中procedural和conditioning报告了三次独立运行均值，但priming的单次结果可能波动）；（3）LLM-as-Judge的内部随机性，即使T=0也存在模型行为的不确定性。**总体评估**——优于绝大多数LLM评测benchmark（论文附录A列出了完整的17模型list，附录B.2做了跨judge稳定性验证），开源程度高、数据结构清晰、prompt透明，是一篇复现门槛中等、可被社区广泛跟进的工作。
论文图表