还没有进入春节，各大厂商已经迫不及待了：前有元宝大派红包，马上千问就豪请奶茶——花不了多少钱，30 个小目标罢了。 

预算在前面烧，基建在后面搭，毕竟等推广预算烧完，能做到多少用户留存，就要看产品本身了。这样一看，腾讯在下半年把前 OpenAI 研究员、清华姚班的天才少年姚顺雨挖到手，可谓计之长远。 

执掌腾讯 AI 之后，近日姚顺雨终于发出了第一项署名研究，这是腾讯混元团队联合复旦大学发布的研究，把目光聚集到了上下文。这似乎是一个略显冷门的技术点，但研究的发现是能让所有日常都在玩 AI 的用户背脊一凉的：如果我们把大模型从「背书模式」切换到「现学现卖模式」，即使是目前地球上最强的 AI，得分率也只有惨淡的 23.7%。

这项研究远不止是一个技术圈的八卦，它直接揭示了为什么作为普通用户的你，经常觉得 AI 「听不懂人话」、「死脑筋」或者「胡说八道」。如果说有什么是 AI 的阿喀琉斯之踵，那上下文（Context）当如是。

上下文：AI 的灵魂 

要理解这项研究的价值，我们需要先搞清楚大模型运作的两个基本阶段。 

第一个阶段是预训练。在这个过程中，模型通过阅读互联网上浩如烟海的数据，记住了海量的知识和模式。这一点现在大家应该都不陌生了。这是 AI 知识储备的来源，也是它能够回答通用问题的基础。 

但问题在于，预训练数据是静态的，它反映的是模型训练截止日期之前的世界。一旦脱离了这个范围，模型就会变得盲目——而真实世界是动态的。 

这就来到第二个阶段，情境学习，也就是我们常说的上下文处理。当你把一段全新的、内部的、或者是极其复杂的规则文本发给 AI 时，你实际上是在要求它跳出预训练的记忆，根据眼前的信息进行实时推理和判断。 

像什么呢？比如公司内部刚刚开完会之后的纪要，或者你玩的游戏有了新活动，这些知识从未在互联网上出现过，只能由你把规则、信息（即「上下文」）扔给 AI，让它根据这些新知识来回答问题。 

这才是现实，互联网上并非应有尽有，模型对于上下文的学习能力可以说是非常重要，甚至可以说：上下文，就是 AI 的灵魂。 

如果 AI 记不住、或者理解错了上下文，它就会开始编造（幻觉），可能会根据它「记忆」里通用规则来回答——会议纪要里明明说行政部要负责下午茶，它却说是产品经理管这事儿。 

这就是混元团队这次建设 CL-bench 在干的事情。他们构建了近 2000 个从未在互联网上公开过的、由专家精心构造的「全新情境」，有虚构的法律体系，新的编程语言语法等等。 

根据 CL-bench 的排行榜，目前最先进的 GPT-5.1 (High) 模型的正确率仅为 23.7%，Claude Opus 4.5 约为 21.1%，而其他的模型大都在 10%-18% 之间徘徊。 

这意味着，当我们要求 AI 「忘掉你以前学的，只看我发给你的这段话」时，它们大概率会搞砸。它们就像那些固执的学生，哪怕老师已经在黑板上写了「今天 1+1=3」，它还是会大声喊出「1+1=2」，因为新知识对它而言都 「超纲」 了。 

CL-bench 的研究揭示了几个导致模型在情境学习中失败的深层原因，这些原因解释了为什么我们在使用 AI 时会感到它有时聪明、有时愚蠢。 

最常见的翻车原因。模型在预训练里学到的东西太「根深蒂固」了。当模型接收到新的上下文时，它往往无法有效抑制住预训练数据中那些根深蒂固的模式。 

比如，在 CL-bench 的一个测试案例中，研究人员构建了一个虚构的软件开发包 Skynet SDK。虽然这只是个虚构的名字，但因为「Skynet（天网）」在 AI 的潜意识（预训练数据）里太出名了，模型可能会下意识地把《终结者》电影里的设定带入进来，从而无视说明文档里枯燥的代码规则。 

另外，复杂逻辑的推演能力依然是目前技术的瓶颈——这点多少有些令人意外，都 2026 了，AI 处理超长文本不是早已经驾轻就熟吗？但实际上，虽然模型能吞下几万字，它并不一定能从数据海洋里面精准地捞出那一根针。研究发现，当提供的上下文非常长、逻辑非常复杂（比如复杂的逻辑推理链条、多轮的交互依赖）时，模型的表现会直线下降。 

如果上下文仅仅是「知识检索」（比如从文档里找一个名字），现在的模型还凑合。但一旦涉及到「逻辑推理」，模型的解决率就暴跌。 

为什么是腾讯来做？ 

CL-bench 是姚顺雨入主腾讯后，首次署名的研究成果。如果把它放到腾讯庞大的产品矩阵中去审视，就会发现「上下文学习」和这家互联网巨头自身业务逻辑之间的关系。

与其他更偏向搜索或通用生产力工具的科技公司不同，腾讯的根基深深扎根于「社交」与「内容」的土壤之中，而这两个领域对 AI 上下文能力的要求可谓极其苛刻。 

想象一下微信或 QQ 的使用场景。这里产生的数据并非孤立的问答，而是连绵不断、高度碎片化的对话流——最新的元宝派就是例子。当用户试图在一个拥有数百条消息的群聊中让 AI 总结重点，或者在一段长达数月的私聊记录中寻找某个约定的细节时，AI 面临的挑战正是 CL-bench 所测试的极限：它必须在不依赖外部通用知识的前提下，精准地理解这段封闭对话中特有的语境、人际关系和隐含逻辑。 

如果 AI 无法妥善处理这种高密度的上下文，它就无法真正融入十亿用户的社交链路，只能作为一个甚至会打断对话流畅度的累赘存在。 

另外，腾讯在游戏与企业服务领域的布局，也决定了它对「情境学习」的渴求。游戏自不用说，各家都在探索 AI 如何根据即时的操作和游戏内的实时局势（即游戏上下文）做出反应，而不是机械地背诵预训练好的台词。 

在企业微信和腾讯会议的场景中，用户需要的往往是基于特定会议纪要或私有文档的精准分析。在这些场景下，通用的预训练知识不仅无效，甚至可能因为「幻觉」而带来严重的误导。 

「在场景中演满分的学生，未必能胜任真实世界的工种」 —— 混元团队意识到了这一点，这也恰恰是对当下 AI 最好的注脚。对于坐拥海量应用场景的腾讯来说，一个能在复杂上下文中保持清醒、逻辑严密的模型，远比一个博学但只会死记硬背的模型，具有更大的商业价值和落地潜力。