共 2 篇
大模型学新知识就忘旧本事，谷歌借鉴人类睡眠提出两阶段框架：清醒时暂存、睡眠时巩固。长上下文测试稳定到约 1000 万 token，数学基准也有提升，但它仍是研究方案而非产品功能。
120 道专业任务、每道五级台阶，最好的系统也只通关不到一半。读完能看清这个基准怎么计分，以及「会积累经验」和「会改一次」差多远。