信息一改再改，大模型就乱了：表现最好的GPT-5.5也只能答对59.3%

动察 Beating AI 快讯，腾讯混元等团队发布 EvolveScaler，专门测试大模型能不能跟上不断变化的信息。它会在长文本里不断加入修改、撤回、补录和作废的信息，再让模型根据最新状态回答问题。 比如先给模型看 40 天游戏记录，再问：「如果第 7 天没打那个小 Boss，最后还能不能打赢？」这会连带改变后面的装备、血量和战斗结果。模型得从第 7 天开始，把后面几十天重新推一遍，原文里没有现成答案。 团队设计了 117 类任务、159 种问题，最长约 1200 个事件。14 个模型配置包括 GPT-5.5、Gemini 3.1 Pro、DeepSeek V4 Preview Pro、GLM-5.2 和 Qwen3.5 Plus。最难档里，成绩中位数只有 11.3%；表现最好的 GPT-5.5-xhigh 也只有 59.3%。 这套数据也能拿来训练模型。一个内部 A3B 模型加入 6000 条这类数据后，在 8 个外部测试上全部提升，平均提高 5.25 分。