你让智能体删掉一条已经作废的观察，它表面上删了，脑中的“草稿”却未必同步擦净。问题出在 KV Cache（键值缓存）——模型为避免反复计算而保存的中间结果。删除发生后，后续缓存仍是在旧文本参与下算出的，可能继续受它影响；但把后面所有内容重算一遍，又会很贵。
这篇论文把修复变成一道预算题：只重算用户允许的一小部分后缀。作者提出 Semantic-Unit Refresh，用冻结的词向量估计哪些内容与下一个问题相关，再按消息、段落或句子等完整语义区域刷新，而非只挑零散的高分词。最值得注意的是，在相关性评分和 2% 重算预算完全相同的对照中，按区域刷新在 Qwen3-8B 和 Llama-3.3-70B 上的精确匹配率比逐词选择高出逾 80 个百分点。
作者称，在受控删除任务的五个模型上，该方法仅重算 2% 后缀便达到 89.6%—100% 精确匹配。它修复的是下一次回答所需的状态，并不保证缓存已被完整重建；效果数字也仍来自论文作者的实验。