轉(zhuǎn)載自：

“模型想要邁向高價值應(yīng)用，核心瓶頸就在于能否用好 Context。”

2月3日，騰訊混元官網(wǎng)技術(shù)博客（Tencent HY Research）正式上線并發(fā)表了一篇名為

《從 Context 學(xué)習(xí)，遠比我們想象的要難》

這是姚順雨加入騰訊擔(dān)任首席AI科學(xué)家后帶領(lǐng)團隊首次發(fā)布研究成果，也是騰訊混元技術(shù)博客首次公開。這一博客的推出，旨在分享騰訊混元研究員在前沿技術(shù)研究和實踐中的探索與經(jīng)驗，呈現(xiàn)創(chuàng)新思路與技術(shù)洞察。

詳情見：

• 項目主頁：

  www.clbench.com

• Blog：

  https://hy.tencent.com/research

從 Context 學(xué)習(xí)，遠比我們想象的要難

我們需要 AI 成為 Context 學(xué)習(xí)者

過去幾年，大語言模型的進化速度快得令人驚嘆。如今的前沿模型，已經(jīng)是頂級的“做題家”：它們能解開奧數(shù)級別的難題，能推演復(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。

然而，這些耀眼的成績單可能掩蓋了一個真相：能在考場拿滿分的學(xué)生，未必能勝任真實世界的工作。

回看我們?nèi)祟惖娜粘９ぷ鳎洪_發(fā)者掃過從未見過的工具文檔，就能立刻開始調(diào)試代碼；玩家拿起新游戲的規(guī)則書，在實戰(zhàn)中邊玩邊學(xué)；科學(xué)家從復(fù)雜的實驗日志中篩選數(shù)據(jù)，推導(dǎo)出新的結(jié)論和定律。我們發(fā)現(xiàn)在這些場景中，人類并不只依賴多年前學(xué)到的“死知識”，而是在實時地從眼前的 Context 中學(xué)習(xí)。

圖：三個人類日常生活和工作場景的例子。這三個例子分別為：

面對 SkyNet 無人機 SDK 文檔 (~70K 字)，將自然語言所表達的飛行請求轉(zhuǎn)成安全、合規(guī)的 SDK 偽代碼；

直接上手玩一款游戲：給定一款新游戲的完整規(guī)則 (~15K 字)，分析隱藏房間場景并給出可能結(jié)果；

分析300 份原始實驗日志，驗證數(shù)據(jù)、推導(dǎo)關(guān)系式并估計共振常數(shù)。

然而，今天的語言模型并非如此。它們主要依賴“參數(shù)化知識”——即在預(yù)訓(xùn)練階段被壓縮進模型權(quán)重里的靜態(tài)記憶。在推理時，模型更多是在調(diào)用這些封存的內(nèi)部知識，而不是主動從當前輸入的新信息中汲取營養(yǎng)。

這揭示了當前模型的訓(xùn)練范式和在真實場景中應(yīng)用之間是不匹配的：我們優(yōu)化出的模型擅長對自己“已知”的事物進行推理，但用戶需要的，卻是讓模型解決那些依賴于雜亂、動態(tài)變化的 Context 的任務(wù)。

簡而言之：我們造出了依賴“過去”的參數(shù)推理者，但世界需要的是能吸收“當下”環(huán)境的 Context 學(xué)習(xí)者。要彌合這一差距，我們必須從根本上改變模型的優(yōu)化方向。

圖 ：語言模型的范式轉(zhuǎn)變。

CL-bench: 衡量模型的Context學(xué)習(xí)能力

為了衡量現(xiàn)有模型距離真正的“Context Learner”還有多遠，我們構(gòu)建了 CL-bench。這是一個專門評測語言模型能否從 Context 中學(xué)習(xí)新知識并正確應(yīng)用的基準。
CL-bench 包含由資深領(lǐng)域?qū)＜揖闹谱鞯?500 個復(fù)雜Context、1,899 個任務(wù)和 31,607 個驗證標準。CL-bench只包含一個簡單但苛刻的要求：解決每個任務(wù)要求模型必須從 Context 中學(xué)習(xí)到模型預(yù)訓(xùn)練中不存在的新知識，并正確應(yīng)用。
模型需要學(xué)習(xí)的知識非常廣泛。它包括新的領(lǐng)域知識、不熟悉的規(guī)則系統(tǒng)、復(fù)雜的產(chǎn)品工作流，甚至是必須從實驗數(shù)據(jù)中推導(dǎo)歸納出的定律或結(jié)論。
所有這些知識要么是由領(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)化知識來解決任務(wù)，都要求模型從提供的 Context 進行學(xué)習(xí)并應(yīng)用。
具體來說，CL-bench 涵蓋了四種廣泛的現(xiàn)實世界 Context 學(xué)習(xí)場景：

圖：CL-bench 的

Context

分類體系。

• 領(lǐng)域知識推理：Context 提供特定的領(lǐng)域知識（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）。模型需要利用這些知識來推理并解決具體問題。

• 規(guī)則系統(tǒng)應(yīng)用：Context 提供新定義的正式系統(tǒng)（例如，新的游戲機制、數(shù)學(xué)形式體系、編程語法或技術(shù)標準）。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：Context 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)驗發(fā)現(xiàn)與模擬：Context 提供復(fù)雜系統(tǒng)內(nèi)的實驗數(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，也是最具挑戰(zhàn)性的。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)。

圖：CL-bench 示例。解決這些任務(wù)要求語言模型

從提供的

Context

中學(xué)習(xí)。圖中這四個案例分別是：

在一部長達 2.3 萬字、剛剛生效的新法律下判一起真

實糾紛；

基于一門新設(shè)計的教育編程語言規(guī)范，實現(xiàn)一個帶有時間條件終止的周期性程序；

在一套從未見過的編程框架中執(zhí)行代碼；

在給定技術(shù)規(guī)格和長期環(huán)境政策情景的條件下，模擬關(guān)鍵技術(shù)金屬的可持續(xù)全球供應(yīng)。

這些類別包含了大部分現(xiàn)實世界工作中常見的演繹推理和歸納推理任務(wù)，能充分衡量模型的 Context 學(xué)習(xí)能力。關(guān)于 CL-bench 的更多細節(jié)，請參閱我們的論文 [1]。

CL-bench 的設(shè)計原則和特性

CL-bench 圍繞一個簡單但嚴格的設(shè)計原則構(gòu)建：每個任務(wù)都必須要求從 Context 中學(xué)習(xí)新知識。 CL-bench 中的每個 Context 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 Context 本身之中：不需要外部檢索，也不允許隱藏假設(shè)。

圖：

解決CL-bench 中的任務(wù)需要模型從相應(yīng)的 context 中學(xué)習(xí)新知識。

為了確保性能真正反映 Context 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：

• 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)文檔和標準。

• 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。

在不提供任何 Context 的情況下，最先進的模型 GPT-5.1 (High) 僅能解決不到 1% 的任務(wù)。這有力地證明了數(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)計具有高復(fù)雜性和序列依賴性。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)計顯著增加了任務(wù)難度。平均而言，領(lǐng)域?qū)＜一ㄙM約 20 小時標注每個 Context ，以確保任務(wù)構(gòu)建的質(zhì)量和深度。

CL-bench 中的每個任務(wù)都是完全可驗證的。平均而言，每個 Context 關(guān)聯(lián) 63.2 個驗證標準，每個任務(wù)包含 16.6 個評估標準。每個任務(wù)的正確性都從多個角度進行評估，確保了評估的全面性。

部分實驗發(fā)現(xiàn)

我們在 CL-bench 上評估了十個最先進的語言模型。結(jié)果揭示了清晰且一致的差距。

表：十個前沿模型在 CL-bench 上的任務(wù)解決率。所有模型均在推理模式下進行評估，結(jié)果報告為三次運行的平均值 ± 標準差 (%)。

平均而言，模型僅解決了 17.2% 的任務(wù)。即便是表現(xiàn)最好的模型 GPT-5.1 (High)，也僅達到了 23.7%。換句話說，盡管 Context 中擁有解決每個任務(wù)所需的全部信息，模型在絕大多數(shù)任務(wù)上都失敗了。這表明當前的 SOTA 模型幾乎不會從 Context 中學(xué)習(xí)。

還有幾個額外的現(xiàn)象值得注意：

1、忽略或誤用Context是導(dǎo)致失敗的主要原因。許多錯誤并非源于信息缺失，而是源于模型忽視了 Context 中的關(guān)鍵細節(jié)，或錯誤地應(yīng)用了它們。在許多情況下，模型只會利用預(yù)訓(xùn)練學(xué)習(xí)到的靜態(tài)知識來解決任務(wù)，即使 Context 明確定義了新的規(guī)則、概念或程序，模型也不會學(xué)習(xí)和利用。

表：各模型錯誤類型的分布（因為一個solutions可能有多種錯誤原因，所以每行錯誤率總和大于100%）。

2、長Context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 Context 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。Context 學(xué)習(xí)需要的能力，遠不止長 Context 理解和指令遵循能力。

3、從實驗數(shù)據(jù)和環(huán)境模擬中進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) context 中明確給出的規(guī)則和流程進行應(yīng)用，而經(jīng)驗發(fā)現(xiàn)和環(huán)境模擬類任務(wù)則要求 歸納推理——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)果波動大。這表明發(fā)現(xiàn)規(guī)律遠比應(yīng)用規(guī)則更具挑戰(zhàn)性。

圖：GPT-5.1 在高/低推理強度設(shè)置下，各子類別表現(xiàn)對比。

4、更高的推理強度通常能提升 context 學(xué)習(xí)效果。對部分模型來說，增加推理強度可以改善表現(xiàn)，使模型更深入地理解復(fù)雜 context 。例如，GPT-5.1 在管理類和實驗數(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 context 信息。

圖：不同輸入長度下模型上下文學(xué)習(xí)表現(xiàn)的變化趨勢。（不同 context 下模型的表現(xiàn)變化呈現(xiàn)相似趨勢。）

5、Context 學(xué)習(xí)的難度與 context 長度相關(guān)，但短 context 也可能很復(fù)雜。較長的 context 通常讓所有模型的任務(wù)更難，這驗證了長 context 處理仍是關(guān)鍵瓶頸。然而，即使是短 context ，如果包含信息密集、規(guī)則隱含、依賴復(fù)雜或約束嚴格的內(nèi)容，也依然很具挑戰(zhàn)性，說明 context 學(xué)習(xí)的難度不僅僅來源于長度，也來自于其復(fù)雜度。

更多發(fā)現(xiàn)請參見我們的論文 [1]。綜上所述，CL-bench 揭示了一個不能被忽視的現(xiàn)象：當今的前沿語言模型還仍然不會利用 Context ，從 Context 中學(xué)習(xí)。

CL-bench充分解釋了語言模型在真實場景中為什么經(jīng)常出錯：即使有了 Context 工程，給模型準備好了所需的 Context ，模型也會失敗。如果模型不能真正從中學(xué)習(xí)，僅僅提供 Context 是不夠的。 Context 學(xué)習(xí)作為一項模型基礎(chǔ)的學(xué)習(xí)能力，很大程度上被忽視了。

展望未來

在意識到模型與人類在 Context 學(xué)習(xí)上的差距后，一個自然的問題是：如何提升這種能力？但我們可以想得更遠一點：如果 Context 學(xué)習(xí)的問題已經(jīng)被解決了，世界會變成怎樣？

如果模型的 Context 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：我們不再是主要的數(shù)據(jù)提供者（training data provider），而變成了Context 提供者。競爭的焦點將從“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 Context ”。

但其實這里還有一個挑戰(zhàn)。即便 Context 學(xué)習(xí)足夠強大，它目前依然是臨時性的（Ephemeral）：模型的 Context 窗口一旦清空，學(xué)到的知識隨之消失。因此，我們還要關(guān)注如何讓從 Context 中習(xí)得的知識持久化？這種知識不僅是事實，還包括能幫助模型跨任務(wù)遷移的技能、經(jīng)驗和模式等。

圖 ：記憶是鞏固語言模型通

Context

學(xué)習(xí)所獲經(jīng)驗的關(guān)鍵。

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

一旦 Context 學(xué)習(xí)與記憶變得可靠，模型或許就能實現(xiàn)自主學(xué)習(xí)：它們將自主準備 Context ，從中學(xué)習(xí)并自我鞏固。

這聽上去多么令人興奮！但當下我們的目標很明確：讓“ Context 學(xué)習(xí)”真正走向現(xiàn)實！

[1] CL-bench: A Benchmark for Context Learning