真实生活里，上下文才难处理
来自 Tencent Hunyuan Research · 期号 2026-04-30
摘要
现实生活中的上下文是混乱、碎片化的，不像专业文档那样整洁。腾讯混元推出 CL-bench Life，一个包含 405 个人工标注任务对的评测基准，专门测试 AI 在真实生活场景中的上下文学习能力。 评测了 12 个前沿模型，表现最好的 GPT-5.5（High）也只解决了 22.2% 的任务，平均仅 14.5%。主要失败模式是「上下文误用」：模型读到了信息，但理解错了——比如在群聊里搞混谁说了什么，或者没注意到早期信息已被后续修改推翻。 这与之前的 CL-bench 形成互补：后者测试的是模型掌握新规则的能力，而 CL-bench Life 测试的是从杂乱线索中拼凑出完整图景的能力。论文附了开源代码和排行榜。