我们真正需要的AI，不是考试机器
过去几年，大语言模型的进步确实让人惊叹。
能解国际数学奥赛的题，能写复杂的代码，能通过各种专业考试。
但说句扎心的话：这些能力，并不是大多数人真正需要的。
你想想自己平时是怎么工作的。
一个程序员拿到一份新工具的文档，翻一翻就开始调 bug 了。一个玩家拿到新游戏的规则书，边看边学边玩。一个科学家对着一堆实验数据，从中发现新的规律。
这些场景有个共同点：我们不是在调用脑子里多年前学的知识，而是在当下、实时地从眼前的信息中学习。
这个能力，腾讯混元团队给它起了个名字，叫**「上下文学习」（Context Learning）**。
而他们的研究发现：当前最强的 AI，在这方面的表现，惨不忍睹。
什么是上下文学习？
先说清楚这个概念。
现在的大语言模型，核心能力来自预训练。简单说，就是在训练阶段把海量知识「压缩」进了模型参数里。推理的时候，模型主要靠「回忆」这些静态的内部记忆来回答问题。
这就产生了一个结构性的矛盾。
我们把模型优化成了「基于已知知识推理」的高手，但用户真正需要的，是模型能处理那些混乱的、不断变化的、全新的上下文信息。
举几个真实的例子：
- 给你一份 7 万字的无人机 SDK 文档，把自然语言的飞行指令转换成合规的代码
- 给你一本 1.5 万字的新游戏规则书，分析一个密室场景的所有可能结局
- 给你 300 条原始实验日志，推导出底层的物理关系，估算共振常数
这些任务，模型不能靠「已经知道的东西」来解决，必须从给定的上下文中现学现用。
这就是「上下文学习」的核心含义。
CL-bench：专门测这个能力的考卷
为了量化当前模型的上下文学习能力，腾讯混元团队做了一个 benchmark，叫 CL-bench。
规模不小：500 个复杂上下文，1899 个任务，31607 个验证标准。全部由经验丰富的领域专家手工标注，平均每个上下文花了 20 个小时。
核心设计原则只有一条：每个任务的解决，都必须依赖从上下文中学习新知识。
模型不能靠预训练时学到的东西来「蒙混过关」。
为了确保这一点，他们用了三种防污染策略：
第一，虚构创作。 专家直接编造全新的内容。比如给一个虚构国家设计一整套法律体系，包括判例和法律原则。或者发明一门全新的编程语言，有独特的语法和语义。
第二，修改现实内容。 在真实内容的基础上做变体。比如篡改历史事件、修改科学定义、改造技术文档。
第三，使用冷门和前沿内容。 那些在预训练数据中几乎没出现过的东西，比如最新的研究发现、刚发布的产品手册、极小众领域的专业知识。
效果如何呢？不给任何上下文的情况下，最强模型 GPT-5.1（High 模式）只能解决不到 1% 的任务。这说明数据确实是「干净」的。
四大测试维度
CL-bench 把上下文学习分成了四个类型：
领域知识推理。 给你一套特定领域的知识体系（比如一个虚构的法律系统、创新金融工具），你得用这些知识去推理和解决具体问题。
规则系统应用。 给你一套新定义的规则（比如新的游戏机制、数学形式、编程语法），你得理解这些规则并执行任务。
流程任务执行。 给你一套复杂的流程系统（比如工作流程、产品手册、操作指南），你得按流程完成任务。
经验发现与模拟。 给你实验数据、观察记录或模拟环境，你得从中发现规律和模式。这是最难的一类，因为它需要归纳推理，而不只是演绎推理。
其中 51.1% 的任务还有顺序依赖关系，也就是后面的题依赖前面的答案。这大幅增加了难度。
结果：最强模型也只能做对23%
腾讯团队测了 10 个最先进的大语言模型。
结果相当残酷。
平均下来，模型只能解决 17.2% 的任务。表现最好的 GPT-5.1（High 模式），也只做对了 23.7%。
换句话说，所有需要的信息都在上下文里摆着，模型就是学不会。
几个关键发现：
最大的失败原因：忽略或误用上下文。 很多错误不是因为信息不够，而是模型忽略了上下文中的关键细节，或者用错了。更有意思的是，模型经常会「退回」到预训练时学到的假设，即使上下文明确定义了新的规则和概念。
长上下文推理和指令遵循是必要条件，但不是充分条件。 即使模型能处理长文本、能遵循指令，还是会在上下文学习上翻车。这说明上下文学习是一种独立的能力，不只是这两项能力的叠加。
归纳推理比演绎推理难得多。 在需要从数据中发现规律的任务上，很多模型的成功率不到 10%，而且不同次运行的方差很大。相比之下，按照给定规则去演绎的任务就好做一些。
提高推理力度有一定帮助，但效果有限。 比如 GPT-5.1 在高推理模式下比低推理模式大约高 6%。但有些模型增加推理力度后反而变差了，说明光「想得多」没用，关键是模型能不能正确地吸收和组织上下文信息。
上下文越长越难，但短上下文也可能很复杂。 长度确实是瓶颈，但即使是短上下文，如果信息密度高、规则微妙、依赖关系复杂，同样会让模型栽跟头。
这意味着什么？
这个研究帮我们理解了一个常见的困惑：为什么在实际使用中，即使精心设计了 prompt 和上下文，模型还是经常在关键时刻掉链子？
答案是：提供上下文是不够的，如果模型根本学不会从中提取和运用信息。
上下文学习作为一项基础能力，长期以来被忽视了。在这个能力提升之前，大语言模型在最需要它们帮忙的场景（混乱的、动态的、真实世界的环境）中，依然会很脆弱。
未来会怎样？
腾讯团队提出了一个有趣的展望。
如果上下文学习能力大幅提升，人和 AI 的关系会发生根本性的转变：人的角色会从训练数据提供者变成上下文提供者。
不再是「我给你喂数据让你学习」，而是「我给你提供当前场景的信息，你现学现用」。
但还有一个更深层的问题：上下文学习是短暂的。模型在当前窗口内学到的东西，窗口关了就忘了。
怎么让上下文中学到的知识变成持久的记忆？ 这不只是记住事实，还包括技能、经验和模式。
这可能是下一个需要攻克的重大难题。
正如作者在文末写的：「是时候让上下文学习成为现实了。」