你带一个新人做项目，真正想看到的不是他偶尔答对一道题，而是他会不会记住上次踩过的坑，下次做得更好，同时不把先前学会的东西忘掉。对LLM智能体也是如此：完成一次任务，不等于能够长期成长。Continual Learning Exam（CLE，持续学习考试）试图把这种“越用越聪明”变成一场可以计分的长周期考试。
这项基准由50多名领域专家开发，包含120项人工编写的任务。每项任务分成五级，共600个levels，覆盖12个职业领域的89种专业角色。研究团队没有只问智能体“这道题会不会”，而是让它连续工作，观察它能否吸收经验、保留知识，并把此前学到的东西用到后续任务中。
本文数字与效果结论均来自论文作者报告，尚无研究团队之外的独立信源交叉印证。
不是题库，而是一段工作经历
CLE里的每项任务都像一份连续展开的工作。智能体必须通过当前一级，才能解锁下一级；后面的工作会依赖前面形成的信息、文件或经验。若某一级用完提交机会仍未通过，后续尚未到达的级别也计为失败，系统随后进入下一项任务。
这种设计关注五类可以迁移的知识：工具与技能、数据依赖、策略、用户背景和领域知识。比如，智能体可能需要沿用先前掌握的工具操作，把上一级产生的材料纳入新交付物，记住用户偏好，或者避开已经暴露过的错误。连接并不只发生在相邻两级，智能体还得从更早的经历中找出当前真正有用的信息。
这比普通单题评测更接近持续学习——系统在一连串任务中吸收经验，同时保留有用的旧能力。普通基准往往把题目彼此独立地打分；记忆基准则常看系统能否从历史记录中找回信息。两者都不能直接回答：保留下来的经验，是否真的改善了之后的工作。
CLE为这些任务准备了23,981个真实世界输入文件，覆盖77种扩展名，其中保留了重复记录和信息冲突等现实噪声。智能体还会操作19个有状态的模拟应用，共可调用1,024个API——也就是软件向智能体开放的操作接口。所谓“有状态”，是指前面创建或修改的记录会继续存在，像真实办公软件一样影响后续工作。
它怎样判断“学会了”
每一级都有人工编写并核验的rubric，也就是详细评分规则，共包含16,125项检查标准。每项标准都规定具体目标、预期结果和验证证据。另一个评估智能体会使用工具检查提交文件及应用中的最终状态；所有检查项都满足，才算通过。被测智能体看不到私有评分材料和参考资料。
研究比较了两种考试方式。第一种每级只准提交一次，失败后没有诊断反馈。第二种允许两次提交：第一次失败后，系统指出出问题的评分类别，但不公开具体检查项和参考答案；智能体可以据此修改一次。
在17种“harness–model configuration”上，反馈加一次修订让完成率的中位数提高了5.3个百分点。这里的harness可以理解为智能体的工作框架：它负责组织模型上下文、调用工具，并保存记忆、技能和进度。研究覆盖4种harness和11种骨干模型；整个测试期间，模型参数保持冻结，能够变化的是框架保存的持久状态。
因此，这5.3个百分点说明诊断反馈和再次尝试有实际价值，却不能直接证明模型本身完成了长期学习。它也可能只是在当前上下文中发现漏项并纠错。材料没有给出17种配置各自的完整成绩、方差或显著性检验，不能把这个中位数增益理解为所有LLM智能体都能稳定获得的提升。
最强系统为什么仍未过半
即使提供反馈和一次返工机会，表现最好的Claude Code搭配Claude Opus 5也只通过47.67%的levels。Codex框架下的GPT-5.6-Sol和GPT-5.6-Terra均达到33.17%。从完整任务看，最佳系统只在23.3%的任务中连续完成全部五级。前一个分母是600个级别，后一个分母是120项任务，两者不能混为一谈。
这组结果的重要性，不在于又排出一张模型榜单，而在于它改变了问题的尺度。一次答对，可能靠当前提示、临时推理或工具调用；连续五级都做好，则要求智能体维护文件和应用状态，找到此前经验，并在新要求下正确复用。CLE由此把“持续自我改进”拆成了可以观察的过程，而不是一句笼统口号。
这里还要区分经验学习与递归自我改进（RSI）。经验学习是把过去的成功、失败和反馈用于后续决策。RSI更进一步：系统不仅改善任务表现，还反复改进自己产生、验证和实施下一轮改进的方法。普通的单次纠错，甚至积累一些工作经验，都不自动等于RSI。CLE为研究长周期改进提供了尺度，但现有结果本身没有证明被测系统已经实现递归自我改进。
同样，持续学习还要求旧本领没有在学习新东西时明显退化。这类退化叫“灾难性遗忘”，就像复习新科目时把上一科忘掉。CLE强调知识获取、保留和复用；但论文当前披露的主要完成率数字，仍不足以单独拆清究竟是经验迁移、任务难度、上下文利用还是工具熟悉度在主导成绩。
为什么值得继续看
过去谈智能体能力，常问的是“它现在能做什么”。CLE提出了一个更接近长期部署的问题：“它工作一段时间后，会不会比刚开始更可靠？”这对真实协作尤其关键。一个系统如果每次都从头犯同样的错，即使单次能力很强，也很难成为稳定的长期助手。
研究团队还提出，可将CLE数据用于LLM后训练——即在基础训练之后继续训练模型——以增强持续学习能力。但这只是论文提出的用途，材料并未报告相关后训练实验或效果。
局限与未知
- 评分由另一个智能体执行。虽然依据人工编写并核验的规则和参考材料取证，它仍可能带有评审模型偏差，并不等于每次提交都由人逐项复核。
- 后续级别建立在早期任务之上，因此成绩可能同时受到任务变难、上下文利用能力和工具熟悉度影响，未必都来自经验学习。
- 测试中模型参数冻结，主要变化来自harness保存的记忆和技能。现有数字尚不能证明跨会话知识会长期保留，也不能证明系统在获得新能力时避免了旧能力退化。