前沿模型显现持续学习能力
36氪文章援引 Anthropic 工程报告《The components of agent memory》,称近期前沿模型能在约束较少的单会话和多会话环境中自主筛选、整理并核验有用记忆。文章还引用 NVIDIA 关于自总结上下文的研究及 GPT-6 Astra 在 ARC-AGI-3 上的结果,进而主张持续学习可能是多家模型阵营共同出现的趋势,而非必须依赖专门的记忆架构。更广泛的结论仍属作者解读,且现有材料主要来自这一篇二手文章。
文章显示,近期前沿模型可能已呈现持久化智能体所需的筛选、验证与沉淀学习闭环,但跨厂商涌现的判断尚不能仅凭所引研究视为定论。
从 2025 年年中开始,持续学习就被视为通向通用人工智能(AGI)之路上最难越过的一座山。
强化学习之父 Richard Sutton 在 2025 年 9 月的对谈中就提出过,真实世界太过庞大且时刻都在变化,智能体必须在与环境的直接交互中边走边学。而单靠静态预训练的方法走不出真正的通用智能,最终只会陷入模仿人类既有文本的死胡同。紧接着在 2025 年 10 月中旬,Andrej Karpathy 在播客访谈中也直言,如今的智能体之所以没法像人类实习生那样真正上岗干活,核心就卡在没有持续学习能力,这样你没法交代一件事就让它真正记住并改变后续行为。而他当时估算,这类底层认知缺陷大概需要十年时间才能逐一磨平。直到 2026 年 4 月,Demis Hassabis 在 Y Combinator 访谈中依然强调,当前模型距离完全体的 AGI 还缺一两块关键拼图,排在最前面的就是持续学习、长程推理与记忆机制,并认为这大概率需要新的理论或架构突破,光靠在上下文窗口上使劲并不管用。
#Anthropic#Claude Opus 4.5#Claude Opus 5#Claude Sonnet 4.6#OpenAI#GPT-6 Astra#NVIDIA#CL-Bench#ARC-AGI-3#Meta#GLM-5.3#Kimi K2.5