CLE：现有大模型距离真正的持续学习还有多远？

2026年10月27日阅读约 3 分钟

导语

今天的大模型评测大多在回答一个问题：模型能不能把眼前的任务做好。但对需要长期工作的智能体而言，更关键的问题是：它能否从过去的成功和失败中提炼经验，并在下一次任务中稳定地用出来？Continual Learning Exam（CLE）正是为此设计的基准，试图把“会做题”与“会成长”区分开来。

CLE由50多位领域专家参与构建，包含120项面向真实职业场景的任务。每项任务被组织成五个递进等级，共计600个等级，覆盖89种职业和12个职业领域。评测环境还包含约2.4万个真实世界文件、19个有状态应用，以及超过1.6万条由人工编写的评判标准。

它的核心设计类似一条任务阶梯：智能体只有通过当前等级，才能解锁下一个等级。后续任务并非简单提高难度，而是要求系统复用早先形成的知识、工作策略和技能。因此，单次输出质量只是起点，能否保留经验、纠正错误并迁移方法，才决定它能走多远。

每次提交由评测智能体依据人工制定的标准进行判断。研究者同时比较了两种情形：一次提交后直接结束，以及失败后获得诊断反馈并进行一次修订。后者更接近真实工作流中的“执行—复盘—改进”循环。

这些数字说明，当前系统可能能够在局部任务上表现出色，却未必能把局部经验转化为持续、可靠的长期能力。反馈有效，但提升幅度有限；一次纠错也不能自动带来跨阶段的学习。

CLE的重要性在于，它把记忆、技能复用、经验迁移和递归式自我改进放进了同一个可验证框架。对于智能体研究者来说，基准不仅能检验模型是否完成任务，还能观察系统如何积累上下文、处理失败，并在复杂职业流程中逐级前进。

当然，CLE的成绩不能简单等同于模型在所有现实工作的表现。评测结果还会受到工具使用、智能体编排、反馈机制和评估智能体判断的影响。但正因为任务包含真实文件、状态变化的应用和人工标准，它比单轮问答更接近长期部署所面对的问题。

从研究用途看，CLE也可以被用于后训练，帮助模型学习如何记录经验、提炼可迁移技能，并在后续任务中调用这些知识。当前结果传递出的核心信号很明确：大模型已经越来越擅长完成单个任务，但距离真正“越做越好”的长期智能体，仍有一段可量化、也相当漫长的距离。