本文研究LLM智能体在长时间多轮交互中处理事实更新的能力。发现即使使用前沿模型（如gpt-5.4），当替换完整上下文为有限的自维护记忆时，准确率从92%降至77%。这种差距不是由于模型大小或记忆容量不足，而是随着对话长度增加而加剧。作者发布了Supersede环境，通过强化学习奖励基于当前事实的回答，惩罚过时信息。使用GRPO微调小模型（Qwen2.5-3B）使个体准确率从9.0%提升至16.7%，证明该差距可训练。
核心观点
- LLM智能体在事实更新场景中存在独特的记忆更新失败，即使使用前沿模型也是如此
- 有限自维护记忆导致准确率显著下降（92%→77%），且模型扩展无法解决
- 失败与对话长度相关，而非压缩比；对话增长24倍时准确率从68%降至28%
- 发布Supersede强化学习环境，以时间事实货币性为奖励信号
- GRPO微调小模型（Qwen2.5-3B）使超车准确率从9.0%提升至16.7%，证明差距可训练
技术要点
使用LongMemEval的知识更新子集；对比完整上下文与自维护记忆；统计显著性检验（McNemar p<0.005）；随对话长度24x增长准确率从68%降至28%；环境基于verifyers/prime-rl栈；GRPO微调Qwen2.5-3B；通过单调检查点曲线确认策略学习而非工具效应。
应用场景
聊天机器人、虚拟助手、计划更新、动态信息处理等需要追踪事实变化的长期交互场景。