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%

腾讯混元等团队发布了 EvolveScaler，专门测试大模型能否跟上不断变化的信息。该基准会在长文本中持续加入修改、撤回、补录和作废的信息，再要求模型根据最新状态回答问题。

例如，模型先看到一段持续 40 天的游戏记录，随后被问到：“如果第 7 天没有打那个小 Boss，最后还能不能获胜？”这一改变会连带影响后续的装备、血量和战斗结果。模型需要从第 7 天开始，根据新的条件重新推演之后几十天的进程，原文中并没有现成答案。

团队设计了 117 类任务和 159 种问题，最长约包含 1200 个事件。测试涉及 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。

在最难档位，模型成绩的中位数仅为 11.3%；表现最好的 GPT-5.5-xhigh 也只有 59.3%。

这套数据还可以用于训练模型。一个内部 A3B 模型加入 6000 条此类数据后，在 8 个外部测试中均取得提升，平均提高 5.25 分。