持续学习基准：在真实世界有状态环境中评估前沿 AI 系统

本文提出了持续学习基准（CL-Bench），这是首个经专家验证的高难度基准，旨在评估基于 LLM 的系统是否能通过经验真正提升性能。该基准涵盖六个多样化领域，任务设计包含可学习的潜在结构，仅对有状态系统开放。研究评估了从朴素上下文学习到专用记忆系统等多种架构，发现现有系统在持续学习上仍有不足：常过度拟合即时观察或无法跨实例复用知识，且专用记忆系统表现不如朴素方法。CL-Bench 填补了真实场景下持续学习评估的空白。