大模型能解奥数题，却在真实应用中频频翻车。腾讯姚顺雨首篇论文指出，问题不在知识储备，而在学习能力。新基准CL-bench测试显示，顶尖模型解决新任务仅两成成功率，揭示了AI“只会背书不会学”的致命缺陷。
智能速览
当前AI鸿沟在于学习能力而非知识多少，像背字典不会写作
CL-bench包含500场景1899任务，专测模型从上下文学习新知能力
评测设计防作弊，要求AI现场学习虚构法律、新编程语言等知识
顶尖模型平均成功率仅17.2%，暴露AI不会看、不会想、不会听的短板
归纳推理能力最弱，AI仍停留在照葫芦画瓢阶段
精华内容
现在的AI就像背下整本字典的人，却无法阅读一本新书。CL-bench这面镜子，照出了大模型“假学习”的真相。
严苛的考场设计
CL-bench构建了一个包含500个复杂场景、1899个任务的基准测试，旨在考核模型的“上下文学习能力”。其核心设计在于防止模型作弊：所有题目均采用虚构创作（如虚拟国家法律）、现有内容修改（如变动物理定律）或小众新兴内容。这迫使AI必须依靠现场阅读提供的上下文来获取信息并解决问题，无法调用预训练时的死记硬背。消融实验证明，若不提供上下文，最强模型解题率不足1%。
四维能力大考
评测将上下文学习分为四大类，覆盖人类主要学习情境。领域知识推理考“学新概念”，如理解虚拟法律判案；规则系统应用考“守新规矩”，如按新语法写代码；程序性任务执行考“做新流程”，如依无人机文档写伪代码；经验发现与模拟考“找新规律”，如从实验数据推导物理定律。这四项能力要求AI不仅能“懂”，还要能“做”，全面模拟真实工作场景。
惨淡的评测结果
测试结果令人警醒，十个顶尖语言模型平均仅能解决17.2%的任务，表现最好的GPT-5.1也仅有23.7%的成功率。这意味着即便给了完整的操作手册，AI仍有四分之三的概率搞不定。错误分析显示，超过55%的错误源于忽略上下文关键信息，60%源于误用信息，35%连格式都无法遵守。AI本质上仍是“参数推理者”，只擅长调用权重里的静态知识，不擅长动态学习。
范式层面的反思
数据揭示了AI在归纳推理上的断崖式落后，经验发现类任务成功率仅11.8%，远低于演绎推理的25.3%。这表明AI仍停留在“照葫芦画瓢”阶段，远未达到举一反三。论文指出，当前训练范式与真实应用场景存在根本不匹配：实验室考的是封闭静态的“查字典”能力，而真实世界需要的是开放动态的“活学活用”能力。下一代AI不应只追求更大参数，而需进化出真正的自主学习机制。
CL-bench撕开了大模型光鲜成绩单的一角，暴露了其缺乏真实学习能力的软肋。从只会检索的“高级查询系统”进化为能自主学习的“智能体”，才是AI的未来方向。距离真正的智能，我们还有多远要走？
