腾讯混元 CL-bench：一次针对大模型上下文学习能力的工程级评测（二）

五、长上下文与高推理强度，并不能解决根本问题评测结果显示：无法处理长上下文的模型，表现确实更差 但即便能处理长输入、严格遵循指令，仍会在大量任务中失败提高推理强度对部分任务有帮助，但提升幅度有限，且不稳定。这表明：上下文学习并不是“读得更久、想得更久”就能解决的问题。六、归纳能力缺失，是当前模型最明显的短板在 CL-bench 的几类任务中，模型在“演绎型任务”（按明确规则执行）上的表现明显好于：从实验数据中发现规律 从环境反馈中总结结论后者往往需要归纳能力，而这一能力在当前模型中表现最弱，部分任务成功率低于 10%。七、无污染设计，暴露了上下文学习的真实下限CL-bench 采用了严格的无污染设计：大量虚构体系 对现实规则的系统性改写 小众或新兴内容在不提供任何上下文的情况下，模型的成功率几乎为零。 这说明模型无法通过“记忆猜测”完成任务，必须依赖上下文学习。同时，超过一半任务存在强序列依赖，进一步放大了学习失败的后果。八、对工程实践的启示：Context 并不是“给了就能用”对做系统的人来说，CL-bench 的结论非常直接：上下文不是外挂知识库 Prompt 不是学习机制 Agent 并不会自动“看文档做事”如果模型不能稳定地从上下文中学习，新一代智能系统在复杂场景下仍然会频繁失效。九、大模型“如何记忆”，正在成为系统级问题腾讯混元团队在结语中提出一个判断：大模型如何从上下文中保留、组织和巩固知识，可能会成为下一阶段的核心研究方向。当模型的上下文学习能力变得可靠之后，人类在系统中的角色也会发生变化—— 从训练数据提供者，转变为上下文构建者与任务设计者。人工智能技术学习交流群