StateMemBench：现有 agent 记忆系统跟不上不断变化的状态

论文提出，有效的 agent 记忆系统必须能追踪世界状态的变化：事实、约束和决策会在长交互中被不断修订，答案必须反映当前状态，而不是已被取代的旧状态。作者把这一能力定义为状态追踪（state tracking），并发布 StateMemBench：234 个多会话场景、两种对话长度区间。评测采用闭集评分（closed-pool grading，在固定候选中判定答案反映的是当前状态、被取代状态还是其他失败），从构造上把状态追踪失败与其他错误区分开。现有记忆系统、RAG 基线和长上下文基线表现都不理想。论文提出的 StateMem 是状态优先（state-first）的记忆方法，显式追踪取代关系和关系依赖；当前状态准确率较最强同 backbone 基线提升 1.8 倍（DeepSeek-V4-Flash 上 0.205 → 0.363），较最强记忆系统提升 1.6 倍（Qwen-3.5-9B 上 0.149 → 0.233）。作为轻量的单次调用封装，StateMem 可以套在六个现有记忆/检索后端上，把当前状态准确率提升 +32 至 +67 点；长度与成本匹配的对照显示，其中 +15 至 +32 点来自状态结构本身而非新增上下文。

目前最好的绝对准确率也只有 0.363，说明状态追踪是所有现役记忆架构都没解决的失败模式；闭集评分让这个问题在生产评测中变得可测量。对正在做 agent 记忆的团队来说，封装版的结果（六个后端提升 +32 至 +67 点，只需单次调用）今天就能用：显式追踪取代关系，而不是指望 recall 型 benchmark 能覆盖这一点。这也是本周第三篇（前两篇为 ev-20260820-02、ev-20260821-02）指向同一结论的论文：聚合或 recall 型评估，看不到 agent 负载真正依赖的能力。

Benchmark	StateMemBench：234 个多会话场景、两种对话长度区间、闭集评分（当前状态/被取代状态/失败）
基线	现有记忆系统、RAG 基线、长上下文基线，表现都不理想
StateMem	状态优先（state-first）的记忆方法，显式追踪取代关系与关系依赖
结果	较最强同 backbone 基线提升 1.8 倍：当前状态准确率 0.205 → 0.363（DeepSeek-V4-Flash） · 较最强记忆系统提升 1.6 倍：0.149 → 0.233（Qwen-3.5-9B） · 套在 6 个记忆/检索后端上的单次调用封装：+32 至 +67 点 · 长度/成本匹配对照：+15 至 +32 点可归因于状态结构本身
与知识库的关系	与 ev-20260820-02（arXiv 2608.18578）同属被覆写值召回研究线；本周评估盲区集群的第三篇