LLM智能体遭遇“记忆更新鸿沟”：长期对话中事实更迭成难题

在长期多轮对话场景中，现实信息会不断变化——用户搬家、价格调整、计划修改。智能体需要准确使用最新事实并摒弃过时信息。最新研究通过真实对话数据发现，当前LLM智能体在这一能力上存在显著缺陷。

在LongMemEval的知识更新测试集中，即使使用前沿模型（如GPT-5.4），当将完整上下文替换为有限的自维护记忆时，准确率从92%骤降至77%。统计检验显示这一差距显著存在，且随着模型规模扩大，完整上下文准确率稳定在92%附近，而记忆维护能力未见改善。研究表明瓶颈在于记忆维护机制而非理解能力。

实验进一步发现，问题并非源于记忆容量不足：当对话长度增长24倍时，准确率从68%进一步跌至28%，即使按比例增加记忆容量也未见恢复。失败程度与对话长度成正比，而非压缩比率。

为此，研究团队发布了Supersede强化学习训练环境。该环境将记忆更新能力转化为训练信号：智能体因使用最新事实获得奖励，因依赖陈旧信息受到惩罚。实验显示，基于Qwen2.5-3B模型进行GRPO微调后，其在真实未见过对话中的事实更新准确率几乎翻倍（从9.0%提升至16.7%），单调上升的检查点曲线表明提升来自学习到的策略而非测试框架。

这是首个以时序事实新鲜度为训练目标的可行环境，也是首次证明“记忆更新鸿沟”可通过训练有效缩小的实证研究。