当前大语言模型虽能力强大，却存在一个根本缺陷：无法像人类一样实时从上下文中学习。腾讯姚顺雨团队发布的新基准CL-bench揭示了这一瓶颈，测试显示顶尖模型成功率极低，这为AI发展指出了一个被忽视的关键方向。
智能速览
腾讯姚顺雨团队发布首个成果CL-bench，专门评测大模型的上下文学习能力。
测试结果显示，当前顶尖大模型平均成功率仅17.2%，GPT-5.1（High）也只有23.7%。
模型失败主因是忽略或误用上下文信息，而非信息本身缺失。
CL-bench包含500个虚构或小众任务，采用“无污染”设计确保测试公正性。
从实验数据中归纳推理，比应用已知规则的演绎推理难度更高。
未来AI竞争焦点，可能从“训练数据”转向“为任务提供最优质上下文”。
精华内容
尽管大模型能力惊人，但腾讯混元团队的最新研究揭示了其与人类智能的根本差异：无法真正从上下文中学习。以下是这项研究的核心发现。
为何要测上下文学习
大模型主要依赖预训练阶段的“参数化知识”，即静态记忆，而人类则擅长在执行任务时从环境中实时学习。这导致模型擅长解决“已知”问题，但在依赖动态、复杂上下文的现实任务中表现不佳。CL-bench基准的诞生，正是为了弥合这一差距，迫使模型在解决每个任务时，都必须从上下文中学习并应用全新的知识。
测试结果有多差
研究人员在CL-bench上评估了十个主流大模型。结果令人震惊，模型平均任务解决率仅为17.2%。即便是表现最好的GPT-5.1（High），其成功率也仅停留在23.7%。这意味着，即使解决任务所需的信息全部明确地摆在上下文中，模型在绝大多数情况下依然会失败，有力地证明了当前SOTA模型几乎不具备真正的上下文学习能力。
失败主因是什么
分析发现，模型失败的首要原因并非信息缺失，而是“忽略或误用上下文”。在许多案例中，模型顽固地依赖其预训练阶段的静态知识，即便上下文明确提供了全新的规则或概念，模型也拒绝学习和使用。此外，研究表明，长上下文推理和指令遵循能力是必要的，但并非充分条件，上下文学习需要的能力远不止于此。
归纳推理的挑战
CL-bench的测试区分了演绎推理与归纳推理。结果显示，模型在“经验发现与模拟”这类需要归纳推理的任务上表现最差，成功率普遍低于10%。这表明，从给定的实验数据中自主发现规律或定律，远比根据明确规则进行演绎应用要困难得多。发现规律是比应用规则更高阶的智能挑战，也是当前大模型明显的短板。
腾讯这项研究不仅深刻揭示了当前大模型的能力边界，也为未来技术演进指明了方向。若上下文学习这一瓶颈被突破，人类在AI系统中的角色将从数据提供者转变为上下文提供者。这不禁让人思考，当AI学会自主从环境中记忆和学习时，世界将会怎样？
关键评论
针对上下文学习能力不足的发现，有用户质疑RAG技术的有效性，问“所以RAG都是在做梦吗？”
有技术爱好者从根本原因分析，认为“参数不改当然学不到东西”，提出在线学习、更新LoRA参数等技术思路。
