根據 Beating，伊利諾伊大學的博士生 Dylan Zhang 所進行的一項近期「代理（Agent）記憶」研究發現，反覆摘要化模型的經驗可能會降低表現，而不是提升它。在 ARC-AGI 任務中，GPT-5.4 在不使用記憶的情況下，於 19 個問題上達到 100% 準確率；但在基於正確解題軌跡進行多輪記憶壓縮之後，準確率降至 54%。同樣地，在 WebShop 購物任務中，AWM 記憶方法在 8 條專家軌跡時得分為 0.64，但在 128 條軌跡時降至 0.20，並回到基準值。研究指出，這個問題源於過度摘要：每一步抽象化都會流失特定細節，並將任務專屬的規則合併成通用指引，最終導致模型表現惡化。
免責聲明：本頁面資訊可能來自第三方來源，僅供參考，不代表 Gate 的立場或觀點，亦不構成任何財務、投資或法律建議。虛擬資產交易具有高風險，請勿僅依賴本頁資訊作出決策。詳情請參閱
免責聲明。
