长对话记忆基准越来越关注回忆和知识更新，近期工作研究用户信念和记忆状态的演变。TWIST 提出评估未被测量的属性——干预质量，即记忆系统在信念变化点是否能正确介入。
四个轨道分别是：未提示的紧张检测、对输出草稿与记录进行审查、在保持取代历史的同时用当前信念回答、以及对敏感回忆的治理。套件基于 LoCoMo 语料和工具，每个检测/阻断指标都有对应的“不要过度检测”对照：表面匹配的硬负例用于惩罚误干预，防止通过标记所有内容来作弊。
基准本身通过独立的盲标注、仲裁、评委诱饵校准和可分离性审计进行验证。Track B v1.0（161 条，仲裁后 κ=0.85）的人类验证结果显示，没有任何配置同时实现高矛盾召回、高硬负例特异度和高归因。
平坦的 RAG 基线能够召回 0.76‑0.97 的真实矛盾，但会错误标记 16‑43% 的表面匹配安全草稿；而部署的面向连贯性的系统几乎不误标（特异度 0.98‑1.00），但只捕获 42% 的真实矛盾——这是仅靠召回分数看不到的权衡。
13 种配置的基线梯度揭示原因：每个金标准矛盾仅凭证据即可检测到（召回 1.000），在完整转录下校准模型几乎解决该轨道，说明检索覆盖存在显著缺口；仅使用草稿的底线显示模型风格先验的影响。
系统的 TWIST 概况除了召回分数，还衡量记忆何时应当干预、何时不应干预。
点评: TWIST 为评估对话记忆系统的实际可用性提供了细粒度视角，强调了误干预成本与真实干预收益的平衡。