微软一篇论文把大模型智能体的长程表现拉出来量了一遍。研究跨了9个模型，结论很直接：依赖的步骤越多，成功率越低。

短程近乎满分，长程直接崩

打开网易新闻 查看精彩图片

在ToolQA基准上，短程任务里模型表现接近满分。但任务拉到16步时，成功率只剩0%到33%。这不是某一个模型的问题，9个模型都出现了同样的衰减曲线。

缩短上下文反而更糟

实验里还试了缩短上下文，结果衰减没有缓解，反而更严重。论文据此判断，问题主要由步数驱动，而不是上下文长度。步骤一多，错误就开始累积。

作者给了三个建议

  • 按真实工作流的长度来测试，别只看短程分数。
  • 度量每一步的可靠性，而不是只看最终结果。
  • 在错误扩散之前加入检查点，把长任务切成可校验的段落。

这篇论文的价值在于把“智能体做长任务会变差”这件事，从体感变成了可复现的数字。