模型读长文档越读越容易记岔

前两天让模型读代码改动记录，它理直气壮报出一个旧值。我看完才反应过来——字段在中段早被反复改写过，它对“中间过程”根本没地方放。

这事真不是它偷懒。AllenAI 刚发了 StateBench，专门量模型跟不跟得住长文本里的状态变化。四级难度：一级是变量不改，二级直接重赋值，三级是自引用累加，四级是变量间互相引用、对调。越往后，漏一步就全错。

四款前沿模型一二级都稳，可输入一拉长，三四级准确率直线掉。最长那档四级题，掉到 13% 以下——基本等于瞎猜。开源模型也好不到哪去，很多被拉到远超训练长度去测，一到三级还能撑，四级照样崩。

最扎心的是，格式红利会骗人。同一道题换个表格问法，高分模型直接掉回瞎猜水平。所以我现在的用法很实在：长任务只喂状态快照，让它查表别硬记；测新架构先按四级逐级核，同题至少换两种问法再过。

以后再有人吹长上下文强，先问一句：它在第几级崩？