128K 上下文准确率暴跌 62.8%：英伟达论文曝光 AI 长任务致命伤

据 Woofun AI 消息，于 2026 年 9 月 30 日发布论文《Staying on Task: Testing the Foundations of Long-Horizon Agent Reliability》（arXiv:2609.38712），核心发现直指 AI 智能体在长程任务中的可靠性危机：随着上下文长度扩张，模型平均准确率暴跌 62.8%。

为精准诊断这一失效模式，研究团队构建了名为 的基准测试，刻意隔离'在长时间输入流中持续跟踪状态'这一单一变量。测试涵盖 7 个开源权重模型，任务设计极简，仅包含算术运算、UUID 排序、变量查找及表格转换。每个模型需处理 1440 份文档，采用贪心采样与精确匹配评分，答案非对即错。关键变量在于输入规模从 4000 个 token 激增至 128000 个 token 时的表现。

Woofun AI 整理数据显示，在此跨度下，平均准确率下滑 62.8%。具体模型衰退轨迹清晰：DeepSeek 在短上下文下得分 0.909，长上下文跌至 0.554；英伟达自家的 则从 0.711 断崖式下跌至 0.138，暴露出严重的长程维持能力缺失。

性能失稳并非仅由长度单一因素驱动，多重变量的叠加效应加剧了系统脆弱性。局部复杂度的提升与缺失的 ID 会对任务对齐产生连锁反应，导致一次微小失误即可引发后续步骤的全面跑偏。

这一发现呼应了 2025 年至 2026 年间学术界与产业界积累的共识：大语言模型与智能体在短任务上的优异表现，无法线性外推至生产级工作流。该研究的独特贡献在于，通过极简任务将'能否保持不掉线'作为唯一真实变量进行隔离测试，从而证实了长程任务中状态维持的极端困难性，揭示了当前模型架构在处理长链条、多步骤复杂任务时的根本性局限。

针对上述瓶颈，研究人员提出明确优化路径：将长任务拆解成更小的子任务，并为每个条目引入结构化标识符。对开发者而言，流水线设计的权重已不亚于模型选择本身。缺失标识符导致 64.3% 性能下滑的数据表明，打标签并非锦上添花，而是维持系统稳定性的必需品。作为 AI 产业核心算力硬件供应方，英伟达公开 Nemotron Super 跌至 0.138 的结果具有标志性意义，它打破了行业以往仅比拼'能接收多少文本'的迷思，确立了一个新标准：能接收文本与能可靠地处理完文本，是两种截然不同的能力，后者才是决定 AI 智能体能否真正落地生产环境的关键。