Sumar
Compactarea contextului, mecanismul standard activat de către implementatori pentru a menține sesiuni lungi ale agenților fără a satura fereastra, nu corectează în mod fiabil deriva persona. Un benchmark open source documentează acest aspect pe 23 de modele de frontieră și propune un răspuns testat: o ancoră prin injectare unică (single-shot anchor) restaurează registrul original instruit pe toate țintele evaluate, fără re-antrenare, prin API-ul standard de completare a mesajelor (chat-completions). Lucrarea, numită ContextEcho, a fost depusă pe arXiv pe 22 mai 2026 de către Xianzhong Ding, cercetător la Center for Advanced AI al Accenture și fost postdoctorand la Lawrence Berkeley National Lab (2024-2025) conform profilului său OpenReview; este de asemenea supusă evaluării anonime duble (double-blind review) la NeurIPS 2026 Evaluations & Datasets Track. Mediul de testare, publicat pe Hugging Face, este însoțit de un cadru de teste (harness) depus pe un depozit anonimizat care rămâne restricționat pe durata evaluării anonime.
23 de modele evaluate: robustețe declarată, verificabilitate limitată
ContextEcho anunță rezultate pe 23 de modele de frontieră provenind din diferite organizații, fără a publica lista nominală în sursele accesibile. Cele trei sesiuni de referință utilizate sunt anonimizate, ceea ce restricționează reproductibilitatea externă. Benchmark-ul este de asemenea în evaluare dublu-orb la NeurIPS 2026 Evaluations & Datasets Track: concluziile sale nu au fost încă supuse unei evaluări de către colegi publicată.
O serie de 25 de sonde conectate fără a perturba sesiunea
Arhitectura combină patru componente. O serie de 25 de sonde de identitate (25-probe identity suite) interoghează coerența comportamentală a modelului; un protocol snapshot-then-probe bifurcă starea conversațională fără a perturba sesiunea principală, permițând măsurarea derivei fără a o provoca; suprafețele de măsurare complementare judged (evaluare de către un model-judecător) și judge-free (metrice calculate fără LLM intermediar) intersectează cele două abordări. Totul se bazează pe trei sesiuni Claude Code anonimizate care acoperă respectiv 3.746 și până la 9.716 tururi de conversație, un volum inaccesibil protocoalelor clasice de stabilitate persona, care se concentrează pe dialoguri scurte. Evaluarea se axează, conform autorilor, pe 23 de modele de frontieră provenind din diferite organizații, a căror listă nominală nu este publicată în acest moment: robustețea ancorei prin injectare unică este atestată pe toate țintele evaluate, dar condițiile precise ale fiecărei ținte rămân neverificabile independent în afara domeniului lucrării. Pe partea de utilizare în aval, efectul depinde de mod: în mod fără instrumente, deriva rupe contractele de formatare și crește lungimea ieșirilor; în mod cu instrumente, poate facilita continuarea utilizării instrumentelor.
O derivă generală și un paliativ standard care nu ține
Primul învățământ structurant este de amploare transversală: deriva persona este observată în mod general prin organizații și nu este specifică unei familii de modele. Pe întregul panel evaluat, nici o linie tehnică (fie că provine dintr-un laborator american, european sau asiatic) nu pare imunizată. Al doilea învățământ vizează un mecanism adesea prezentat ca soluție: compactarea în timpul sesiunii nu resetează deriva persona în mod fiabil. Totuși, compactarea (rezumat al contextului pe parcursul conversației) este exact pârghia pe care implementatorii o activează pentru a menține sesiuni lungi fără a satura fereastra. Constatul autorilor privește direct arhitecturile agenților în producție care se bazează pe acest resort. Rezultatul rămâne de confirmat independent: lucrarea este supusă acestui track NeurIPS, în evaluare anonimă, iar implementările de compactare variază semnificativ de la un sistem la altul, ceea ce cere prudență înainte de orice generalizare industrială. Coerența comportamentală a agenților pe sesiuni lungi este acum un subiect activ: o lucrare adiacentă de la Purdue, When the Specification Emerges, examinează în paralel pierderea de fidelitate a unui agent codificator atunci când specificația emergentă. Pe terenul mai larg al evaluării comportamentale a IA, ActuIA nota deja că Google DeepMind propunea un cadru pentru clasificarea capacităților și comportamentului IAG, ilustrând maturizarea câmpului către protocoale de măsurare standardizate.
Nici o linie tehnică nu pare imunizată.
Deriva persona este observată în mod general prin organizații și nu este specifică unei familii de modele - conform autorilor ContextEcho pe 23 de ținte de frontieră.
Un benchmark legat de o firmă de consultanță, nu de un laborator academic pur
Afiliația instituțională a contribuției merită a fi precizată. Xianzhong Ding este cercetător la Center for Advanced AI al Accenture din 2025, după un postdoctorat la Lawrence Berkeley National Lab între 2024 și 2025, și o teză în Electrical Engineering and Computer Sciences la UC Merced. Profilul intersectează astfel energia publică americană și cercetarea aplicată în cadrul unei mari firme de consultanță. ActuIA documenta deja investiția tot mai mare a grupului pe acest front, conform anunțurilor firmei: Accenture a anunțat în 2023 o investiție de 3 miliarde de dolari în IA și Date conform propriei comunicări, apoi, tot conform grupului, și-a consolidat prezența în Franța cu două centre dedicate IA generative. ContextEcho se înscrie în această politică de producție de cercetare publicată: lucrarea vizează o conferință academică de prim rang internațional (NeurIPS), cu un corpus de evaluare pe celulă și prefixe de sesiuni date, pus la dispoziție pe Hugging Face cu aceeași depunere. Particularitatea metodologică constă în ancorarea implementării: trei sesiuni Claude Code anonimizate sunt mobilizate ca date de bază, semn că autorii au privilegiat urmele provenind din utilizare efectivă mai degrabă decât bănci de testare sintetice, o distincție care cântărește, într-un domeniu unde multe protocoale de evaluare se bazează încă pe dialoguri construite în laborator.
Ochiul ActuIA
Adevăratul subiect al ContextEcho nu este ancora textuală, ci constatarea care o face necesară: compactarea, acest resort pe care echipele îl activează implicit pentru a menține sesiuni lungi, nu ține promisiunea de coerență. Stratul de orchestrare al implementatorilor de agenți se bazează, așadar, de optsprezece luni, pe un paliativ pe care autorii îl consideră deficitar pe 23 de modele de frontieră.