CLE基准测试发布：前沿大模型仅通关47.7%级别，长程经验学习仍是短板

一句话看懂：Hugging Face Papers 收录的 CLE 基准用 120 个任务、600 个递进级别测试大模型智能体能否从经验中持续学习，17 组前沿配置中最好的系统也只通过 47.7% 的级别，说明“越做越会”仍是难题。

事件核心：发生了什么

据论文摘要（发布时间 2026 年 10 月 25 日，未核验全文实验），50 多名领域专家参与构建了 Continual Learning Exam（CLE）基准。它包含 120 个人工撰写任务，每个任务拆成五级阶梯，共 600 个级别，覆盖 12 个职业领域、89 个专业角色。智能体必须通过上一级才能解锁下一级，后续级别依赖此前积累的经验，由评估智能体按人工撰写的评分标准打分。

研究对比了两种设置：单次提交，以及失败后获得诊断反馈并允许修改一次。在 17 组前沿大模型与运行框架的组合中，反馈加修改带来中位数 5.3 个百分点的完成率提升；但最佳系统也只通过 47.7% 的级别，仅在 23.3% 的任务中完成全部五级。

为什么重要

现有评测大多看单任务得分，CLE 则把“是否能把经验转化为下一次的更好表现”单独拎出来考。这直接对应当前 AI 智能体在真实工作流中的短板：工具调用可以做得漂亮，但跨任务保留有用知识、避免重复犯错的能力不足。对追求长程自主任务的厂商和开源社区来说，这类基准可能成为模型后训练和运行框架选型的新参照。

对用户/开发者/创作者的影响

开发者需要注意，当前智能体的实际可用性不能只看单次演示效果，反馈与修订环节对最终完成度有可测量影响，产品设计上应保留人工或自动诊断回路。企业采购若评估长周期智能体方案，可把“多轮经验积累”列入测试项。创作者使用 AI 应用时，也应预期复杂多步骤任务仍需拆分和人工把关。此外，摘要提到该数据集可用于后训练，以增强大模型的持续学习能力，但目前公开信息显示这只是论文提出的用途，尚无已上线产品或公开榜单。