保持专注：长周期 AI 智能体可靠性基础测试

研究人员推出 Long-Transduction 诊断基准，用于评测模型在长生成过程中持续执行依赖上下文操作的能力。对 7 款开源权重模型的评测显示，上下文长度从 4-128K 扩展时性能下降 62.8%，改变输入格式导致下降 36.5%，增加局部任务复杂度则导致下降 39.9%。这些失效现象构成了长周期 AI 智能体工作流中的关键可靠性缺陷。