该研究关注大型语言模型（LLM）智能体在长时间、多会话交互中更新事实信息的能力。通过真实对话数据发现，即使使用前沿模型（如gpt-5.4），从完整上下文切换到有限的自维护记忆也会导致准确率显著下降（从92%降至77%），且该差距不随模型规模扩大而消失。进一步实验表明，问题并非记忆容量不足，而是对话长度增加导致准确率持续下降（68%至28%），且增加记忆容量无改善。研究者发布了基于强化学习的环境Supersede，通过奖励当前值回答、惩罚过时值来训练智能体。使用GRPO对Qwen2.5-3B模型进行微调后，在未见过对话上的准确率从9.0%提升至16.7%，证明该缺口可通过训练弥补。
核心观点
- LLM智能体在长对话中更新事实的能力存在显著缺陷，即使前沿模型也会因记忆维护不当而性能大幅下降。
- 该缺陷并非由记忆容量不足导致，而是对话长度增加带来的核心挑战。
- 以完整上下文为基准，记忆维护的瓶颈是独立于理解能力的核心问题。
- 使用强化学习环境Supersede和GRPO微调，可有效提升模型在事实更新任务上的准确率。
技术要点
研究者构建了基于verifiers/prime-rl栈的强化学习环境Supersede，设计奖励函数奖励从当前值回答并惩罚过时值。通过GRPO（一种在线策略优化方法）对Qwen2.5-3B小模型进行微调，在真实未见过对话上进行评估，准确率从9.0%升至16.7%，且模型检查点呈单调递增，表明策略学习而非辅助机制主导了提升。
应用场景
['长时间对话的智能助手（如用户信息变化时的个人助理）', '动态数据更新场景（如价格、计划修订的问答系统）', '需要维护事实时效性的知识密集型交互应用']