长程智能体可靠性诊断基准 Long-Transduction 发布
原文标题：Staying on Task: Testing the Foundations of Long-Horizon Agent Reliability
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 Long-Transduction 诊断基准，测试模型在长序列生成中持续读取、修改并输出依赖上下文操作的能力。对七个开源权重模型的评测显示，上下文从 4K 扩到 128K 时性能下降 62.8%，输入格式变化下降 36.5%，局部任务复杂度提升下降 39.9%。这些失败揭示了长程智能体工作流的关键隐患。
- 问题
- 长程智能体工作流中模型在长序列生成时难以持续读取、修改并输出依赖上下文的操作。
- 方法
- 提出 Long-Transduction 诊断基准，独立变化局部任务复杂度、输入格式与上下文长度以隔离失败轴。
- 结果
- 七个开源权重模型：上下文 4K 扩到 128K 性能下降 62.8%，输入格式变化下降 36.5%，局部复杂度提升下降 39.9%。
- 影响
- 长程智能体可靠性存在系统性隐患，选型与设计需针对上下文长度、格式与复杂度分别压测。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Long-Transduction基准显示，上下文从4K扩到128K时七个开源模型性能下降62.8%。
- •基准测试模型在长序列生成中持续读取、修改并输出依赖上下文操作的能力
- •独立变化局部任务复杂度、输入格式与上下文长度三个轴以定位失败
- •七个开源权重模型上，上下文4K到128K性能下降62.8%
- •输入格式变化导致下降36.5%，局部任务复杂度提升导致下降39.9%
- •任务涵盖算术、排序、变量查找与表格变换
为什么重要：长程智能体常被假设只是上下文长度问题，该基准把格式与局部复杂度也列为独立失败轴，对做长程工作流评测与选型的人有直接警示。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。