智東西
作者 程茜
編輯 心緣

智東西2月3日?qǐng)?bào)道，剛剛，騰訊混元官網(wǎng)正式上線姚順雨團(tuán)隊(duì)最新成果，發(fā)布了專門評(píng)測大語言模型能否從上下文（Context）中學(xué)習(xí)新知識(shí)并正確應(yīng)用的基準(zhǔn)CL-bench。

這是姚順雨加入騰訊混元擔(dān)任首席AI科學(xué)家后，其團(tuán)隊(duì)首次發(fā)布研究成果，也是騰訊混元技術(shù)博客首次公開。

▲騰訊混元技術(shù)博客及致謝部分

大模型與人類在解決問題時(shí)關(guān)鍵區(qū)別為，大模型只能依賴預(yù)訓(xùn)練階段的靜態(tài)記憶，而人可以實(shí)時(shí)根據(jù)現(xiàn)場情況完成任務(wù)。騰訊混元研究團(tuán)隊(duì)實(shí)測發(fā)現(xiàn)，當(dāng)前的SOTA模型幾乎都不會(huì)從上下文中學(xué)習(xí)，表現(xiàn)最好的GPT-5.1（high）任務(wù)成功率也僅有23.7%。

基于此，該團(tuán)隊(duì)打造CL-bench就只有一個(gè)核心目標(biāo)：要求模型在解決每個(gè)任務(wù)時(shí)，都必須從上下文中學(xué)習(xí)模型預(yù)訓(xùn)練中不存在的新知識(shí)，并正確應(yīng)用。

騰訊混元技術(shù)博客地址：https://hy.tencent.com/research

項(xiàng)目主頁：www.clbench.com

一、讓大模型不再死記硬背，新基準(zhǔn)包含500個(gè)復(fù)雜上下文任務(wù)

過去幾年，大語言模型進(jìn)步飛快，能解開奧數(shù)級(jí)別的難題、推演復(fù)雜的編程邏輯，甚至能通過那些人類需要苦讀數(shù)年才能拿下的專業(yè)資格考試。但其背后有一個(gè)關(guān)鍵門檻，大模型即使能在考場拿滿分，但未必能勝任真實(shí)世界工作。

人類可以在執(zhí)行任務(wù)中實(shí)時(shí)從眼前的環(huán)境進(jìn)行學(xué)習(xí)。但大語言模型主要依賴“參數(shù)化知識(shí)”，即在預(yù)訓(xùn)練階段被壓縮進(jìn)模型權(quán)重里的靜態(tài)記憶。在推理時(shí)，模型更多是在調(diào)用這些封存的內(nèi)部知識(shí)，而不是主動(dòng)從當(dāng)前輸入的新信息中汲取營養(yǎng)。

因此，目前優(yōu)化出的模型擅長對(duì)自己“已知”的事物進(jìn)行推理，但用戶需要的，卻是讓模型解決那些依賴于雜亂、動(dòng)態(tài)變化的上下文的任務(wù)。

基于此，混元研究人員希望彌合這一差距，從根本上改變模型的優(yōu)化方向，他們構(gòu)建了專門評(píng)測大語言模型能否從上下文中學(xué)習(xí)新知識(shí)并正確應(yīng)用的基準(zhǔn)CL-bench。

▲大語言模型的范式轉(zhuǎn)變

CL-bench包含由專家制作的500個(gè)復(fù)雜上下文、1899個(gè)任務(wù)和31607個(gè)驗(yàn)證標(biāo)準(zhǔn)。其對(duì)模型的要求為：要求模型必須在解決每個(gè)任務(wù)都從上下文中學(xué)習(xí)到模型預(yù)訓(xùn)練中不存在的新知識(shí)，并正確應(yīng)用。

模型需要學(xué)習(xí)的知識(shí)非常廣泛，包括新的領(lǐng)域知識(shí)、不熟悉的規(guī)則系統(tǒng)、復(fù)雜的產(chǎn)品工作流，甚至是必須從實(shí)驗(yàn)數(shù)據(jù)中推導(dǎo)歸納出的定律或結(jié)論。

所有這些知識(shí)要么是由領(lǐng)域?qū)＜彝耆聵?gòu)建的，要么是取自那些不太可能出現(xiàn)在當(dāng)前前沿模型訓(xùn)練數(shù)據(jù)中的小眾、長尾來源。因此，模型無法通過回憶靜態(tài)的參數(shù)化知識(shí)來解決任務(wù)，都要求模型從提供的上下文進(jìn)行學(xué)習(xí)并應(yīng)用。

具體來說，CL-bench涵蓋了四種廣泛的現(xiàn)實(shí)世界上下文學(xué)習(xí)場景：

▲CL-bench的上下文分類體系。

領(lǐng)域知識(shí)推理：上下文提供特定的領(lǐng)域知識(shí)，例如虛構(gòu)的法律體系、創(chuàng)新的金融工具或小眾專業(yè)知識(shí)，模型需要利用這些知識(shí)來推理并解決具體問題。

規(guī)則系統(tǒng)應(yīng)用：上下文提供新定義的正式系統(tǒng)，例如新的游戲機(jī)制、數(shù)學(xué)形式體系、編程語法或技術(shù)標(biāo)準(zhǔn)，模型必須理解并應(yīng)用這些規(guī)則來執(zhí)行任務(wù)。

程序性任務(wù)執(zhí)行：上下文提供復(fù)雜的過程系統(tǒng)，例如工作流、產(chǎn)品手冊和操作指南，模型必須理解并應(yīng)用這些程序性信息來完成任務(wù)。

經(jīng)驗(yàn)發(fā)現(xiàn)與模擬：上下文提供復(fù)雜系統(tǒng)內(nèi)的實(shí)驗(yàn)數(shù)據(jù)、觀測記錄或模擬環(huán)境。與前幾類涉及演繹推理不同，這一類專注于歸納推理，模型必須從數(shù)據(jù)中發(fā)現(xiàn)潛在的定律或結(jié)論，并應(yīng)用它們來解決任務(wù)。

▲CL-bench示例，解決這些任務(wù)要求大語言模型從提供的上下文中學(xué)習(xí)

這些類別包含了大部分現(xiàn)實(shí)世界工作中常見的演繹推理和歸納推理任務(wù)，能衡量模型的上下文學(xué)習(xí)能力。

二、模型成功率僅為17.2%，得出5大關(guān)鍵結(jié)論

研究人員在CL-bench上評(píng)估了十個(gè)主流大語言模型。

平均來看，模型僅解決了17.2%的任務(wù)。其中GPT-5.1（High）解決了23.7%的任務(wù)。

換句話說，盡管上下文中擁有解決每個(gè)任務(wù)所需的全部信息，但模型還是在絕大多數(shù)任務(wù)上都失敗了。這表明當(dāng)前的SOTA模型幾乎都不會(huì)從上下文中學(xué)習(xí)。

▲十個(gè)前沿模型在CL-bench上的任務(wù)解決率

混元研究團(tuán)隊(duì)得出幾個(gè)關(guān)鍵結(jié)論：

1）忽略或誤用上下文是導(dǎo)致失敗的主要原因。

許多錯(cuò)誤并非源于信息缺失，而是因?yàn)槟Ｐ秃鲆暳松舷挛闹械年P(guān)鍵細(xì)節(jié)，或錯(cuò)誤地應(yīng)用了它們。在許多情況下，模型只會(huì)利用預(yù)訓(xùn)練學(xué)習(xí)到的靜態(tài)知識(shí)來解決任務(wù)，即使上下文明確定義了新的規(guī)則、概念或程序，模型也不會(huì)學(xué)習(xí)和利用。

▲各模型錯(cuò)誤類型的分布

2、長上下文推理和指令遵循是必要的，但不是充分條件。

案例分析表明，那些難以跨長上下文追蹤依賴關(guān)系或難以精確遵循約束的模型，往往表現(xiàn)得更差。然而，即使是能夠處理長輸入并可靠遵循指令的模型，仍然在許多任務(wù)上失敗。上下文學(xué)習(xí)需要的能力，遠(yuǎn)不止長上下文理解和指令遵循能力。

3、從實(shí)驗(yàn)數(shù)據(jù)和環(huán)境模擬中進(jìn)行歸納推理比演繹應(yīng)用更困難。

演繹任務(wù)讓模型根據(jù)上下文中明確給出的規(guī)則和流程進(jìn)行應(yīng)用，而經(jīng)驗(yàn)發(fā)現(xiàn)和環(huán)境模擬類任務(wù)則要求歸納推理，也就是從數(shù)據(jù)中總結(jié)規(guī)律或在虛擬環(huán)境中探索。模型在這類任務(wù)上的表現(xiàn)明顯較差，任務(wù)解決率通常低于10%，且結(jié)果波動(dòng)大。這表明發(fā)現(xiàn)規(guī)律遠(yuǎn)比應(yīng)用規(guī)則更具挑戰(zhàn)性。

▲GPT-5.1在高/低推理強(qiáng)度設(shè)置下，各子類別表現(xiàn)對(duì)比

4、更高的推理強(qiáng)度通常能提升上下文學(xué)習(xí)效果。

對(duì)部分模型來說，增加推理強(qiáng)度可以改善表現(xiàn)，使模型更深入地理解復(fù)雜上下文。例如，GPT-5.1在管理類和實(shí)驗(yàn)數(shù)據(jù)類任務(wù)上的表現(xiàn)提升約6%，但其他模型提升有限甚至可能下降，說明單靠更多推理并不足夠，模型還必須能夠正確吸收和組織上下文信息。

▲不同輸入長度下模型上下文學(xué)習(xí)表現(xiàn)的變化趨勢

5、上下文學(xué)習(xí)的難度與上下文長度相關(guān)，但短上下文也可能很復(fù)雜。

較長的上下文通常讓所有模型的任務(wù)更難，這驗(yàn)證了長上下文處理仍是關(guān)鍵瓶頸。然而，即使是短上下文，如果包含信息密集、規(guī)則隱含、依賴復(fù)雜或約束嚴(yán)格的內(nèi)容，也依然很具挑戰(zhàn)性，說明上下文學(xué)習(xí)的難度不僅僅來源于長度，也來自于其復(fù)雜度。

CL-bench充分解釋了大語言模型在真實(shí)場景中為什么經(jīng)常出錯(cuò)：即使有了上下文工程，給模型準(zhǔn)備好了所需的上下文，模型也會(huì)失敗。如果模型不能真正從中學(xué)習(xí)，僅僅提供上下文是不夠的。上下文學(xué)習(xí)作為一項(xiàng)模型基礎(chǔ)的學(xué)習(xí)能力，很大程度上被忽視了。

三、上下文都是自包含，測試任務(wù)采用無污染設(shè)計(jì)

CL-bench中的每個(gè)上下文都是完全自包含（Self-contained）的，解決任務(wù)所需的所有信息都顯式地提供在上下文本身之中：不需要外部檢索，也不允許隱藏假設(shè)。

▲解決CL-bench中的任務(wù)需要模型從相應(yīng)的上下文中學(xué)習(xí)新知識(shí)

為了確保性能真正反映上下文學(xué)習(xí)，而不是記憶或數(shù)據(jù)泄露，CL-bench采用了無污染（Contamination-free）設(shè)計(jì)：

虛構(gòu)創(chuàng)作：專家創(chuàng)作完全虛構(gòu)的內(nèi)容，例如為虛構(gòu)國家設(shè)計(jì)一套完整的法律體系，包括新穎的判例和法律原則，或創(chuàng)建具有獨(dú)特語法和語義的新編程語言。

現(xiàn)有內(nèi)容的修改：專家修改現(xiàn)實(shí)世界的內(nèi)容以創(chuàng)建變體，例如更改歷史事件、改變科學(xué)和數(shù)學(xué)定義，或修改技術(shù)文檔和標(biāo)準(zhǔn)。

整合小眾和新興內(nèi)容：專家納入了在預(yù)訓(xùn)練數(shù)據(jù)集中代表性極低的小眾或近期新興內(nèi)容，如前沿研究發(fā)現(xiàn)、新發(fā)布的產(chǎn)品手冊或技術(shù)文檔，以及來自專門領(lǐng)域的特定知識(shí)。

在不提供任何上下文的情況下，GPT-5.1（High）僅能解決不到1%的任務(wù)。這也證明數(shù)據(jù)是無污染的，模型若不從Context中學(xué)習(xí)，幾乎完全無法解決這些任務(wù)。

此外，CL-bench的設(shè)計(jì)具有高復(fù)雜性和序列依賴性。其中，51.1%的任務(wù)需要序列依賴，意味著后續(xù)任務(wù)的解決方案取決于早期交互的結(jié)果。這種多輪次設(shè)計(jì)會(huì)增加任務(wù)難度。

平均而言，領(lǐng)域?qū)＜一ㄙM(fèi)約20小時(shí)標(biāo)注每個(gè)上下文，以確保任務(wù)構(gòu)建的質(zhì)量和深度。

與此同時(shí)，CL-bench中的每個(gè)任務(wù)都是完全可驗(yàn)證的。每個(gè)上下文平均關(guān)聯(lián)63.2個(gè)驗(yàn)證標(biāo)準(zhǔn)，每個(gè)任務(wù)包含16.6個(gè)評(píng)估標(biāo)準(zhǔn)。

結(jié)語：大模型如何記憶，將成2026年核心主題

混元技術(shù)博客還提到了混元研究團(tuán)隊(duì)后續(xù)的關(guān)注重點(diǎn)，包括如何讓模型提升上下文學(xué)習(xí)能力、如何讓大模型從上下文中學(xué)習(xí)到的知識(shí)持久化。

如果模型的上下文學(xué)習(xí)能力能像之前其他能力那樣被提升上去，人類在AI系統(tǒng)中的角色將發(fā)生轉(zhuǎn)變：人類不再是主要的數(shù)據(jù)提供者（training data provider），而變成了上下文提供者。競爭的焦點(diǎn)將從“誰能把模型訓(xùn)練得更好”，轉(zhuǎn)向“誰能為任務(wù)提供最豐富、最相關(guān)的上下文”。

他們認(rèn)為，大模型如何記憶很可能成為2026年的另一個(gè)核心主題，要充分發(fā)揮大語言模型的潛力，可能需要新的架構(gòu)、新的優(yōu)化方式來決定“該保留什么”。

未來，一旦大模型上下文學(xué)習(xí)與記憶變得可靠，模型或許就能實(shí)現(xiàn)自主學(xué)習(xí)，它們將自主準(zhǔn)備上下文，從中學(xué)習(xí)并自我鞏固。