GPT-5也惨不忍睹，姚顺宇入职腾讯后第一枪：腾讯AI大模型的未来

2026年新春伊始，全球AI界的目光都聚焦于深圳腾讯滨海大厦。

几个月前，随着前普林斯顿大学博士、ReAct与Tree of Thoughts（思维树）架构的开创者、前OpenAI研究员姚顺宇正式以“首席AI科学家”的身份加盟腾讯混元团队，腾讯这场关于大模型通往通用人工智能（AGI）的“下半场”竞赛正式开始了。

姚顺宇入职腾讯后发布的首篇论文《CL-bench: A Benchmark for Context Learning》，以及与之互为表里的、2025年4月发表的方法论宣言《The Second Half》，不仅是他个人的学术里程碑，更是正值腾讯混元大模型面临国内剧烈竞争的关键期。

《CL-bench》是姚顺宇入职腾讯后的“开山之作”。

这篇论文的核心目标是评估大语言模型（LLM）是否具备真正的“上下文学习”（Context Learning）能力，即：AI大模型能否在不依赖预训练知识的前提下，仅凭当前输入的上下文信息（如新规则、新知识、新流程）来学习并解决问题。

这个问题的提出是因为：

当前AI大模型在真实世界应用中常常“翻车”（如经常出现理解偏差或无法适应新情境），这根源在于它们更像“死记硬背”的字典（在预训练阶段记忆了大量知识），而不是能灵活学习的智能体。 

这个观察确实是直击问题的本质，难怪Pony会“独选此子，委以重任，而逐鹿天下”。

AI“下半场”：从“知识”转向“能力”

在姚顺宇的认知里，AI发展的“上半场”已经画上了句号，2025年4月发表的那篇《The Second Half》文章（你甚至可以把这篇论文视为姚顺宇加入腾讯混元后的施政纲领）清晰的阐述了他自己的观点：

大模型的发展已经结束了单纯依靠算力堆砌和海量数据预训练的“上半场”，正式进入了以评估为驱动、以Agent（智能体）为核心的“下半场”。

就此，姚顺宇提出了一个非常客观的观察：大模型预训练带来的边际效用正在递减。

所以他认为，AI大模型的本质正在发生根本性的变化，正在从“模拟人类表达的统计机器”转向“具备自主决策能力的代理（Agent）”。

这意味着：

评价一个大模型的优劣，不再看它在MMLU（大规模多任务语言理解）等静态题库中能考多少分，而要看它在动态、陌生、复杂的任务环境中，能否即时的学习并解决问题。

姚顺宇入职腾讯后的，首篇具有强烈实操性的论文《CL-bench》，正是他对自己“下半场”哲学的开始。

• 什么是真正的“上下文学习”？

传统的大模型评测往往带有“污染”。

这些大模型之所以能解出某道数学题，很大概率是因为它在预训练阶段就已经见过类似的题干。

为了剔除这种干扰，姚顺宇的CL-bench构建了一套纯粹的“零记忆”测试环境。它要求模型在完全未知的规则下（例如虚构的法律条文、从未面世的编程语言、自创的游戏机制）进行现场推理。

• 惨不忍睹的实验数据

论文中的实验结果给行业浇了一盆冷水。

即便是在全球范围内被奉为圭臬的GPT-5.1，在面对这种完全隔离预训练知识的上下文任务时，解决率也仅在23.7%（GPT-5.2甚至只有18.1%）；谷歌的Gemini 3 pro表现也很差，问题解决率只有15.8%，整体的结果相当惨淡。

所以，姚顺宇这一组测试数据揭示的真实是：

即时是目前全球最强的大模型，其智能很大程度上源于“记忆”，而非真正的“学习”。

对于腾讯而言，姚顺宇CL-bench的意义不仅在于评测，更在于定标。腾讯拥有极其复杂的业务生态（从微信支付到腾讯会议，从复杂的游戏引擎到云端协同工具），这些场景每天都在产生海量的、即时的、非标准的任务。如果大模型不具备极强的上下文学习能力，它就永远无法在企业级应用中落地。

技术深潜：System 2慢思考与搜索机制

在姚顺宇的逻辑体系中，他反复强调了丹尼尔·卡尼曼在《思考，快与慢》中提到的System2。

• System1（快思考）：是大模型预测一个一个Token的本能，类似于人的直觉反应。

• System2（慢思考）：属于大模型的逻辑推理、自我修正、多路径探索。

姚顺宇在普林斯顿时期发明的Tree of Thoughts (ToT)架构，本质上就是让AI拥有System2。而在进入腾讯后，他进一步将这种“思考”与搜索（Search）结合来给出大模型的未来之路。

这意味着，未来的腾讯混元大模型在处理用户指令时，不再是“脱口而出”，而是经历了一个“思考-模拟-纠错”的过程。这种架构上的调整，是腾讯大模型在面对金融风控、医疗诊断等容错率极低的场景时，能够提供可靠性的核心保障。

姚顺宇在论文中还提出了另一个颠覆性观点：

“Evaluation is the New R&D”（评价即研发）。

在AI发展的“上半场”，研发流程通常是：找数据 > 训练 > 测试。

在姚顺宇定义的“下半场”，流程被逆转：定义高质量的评估器（Evaluator） > 发现模型缺陷 > 针对性强化学习。

表面看起来只是大模型的研发流程被逆转，实质是把发现大模型的问题放在第一位，然后即刻解决问题。

在这个“动态评测体系”下，如果一个模型能通过CL-bench的考验，说明它已经掌握了处理不确定性的底层代码。姚顺宇领导下的腾讯混元正在利用这种思路，通过自动化的“红队测试”和模型合成数据，针对模型在复杂逻辑上的薄弱点进行精准的后训练（Post-training）。

 腾讯AI大模型的未来

通过姚顺宇的这两篇重磅论文，我们可以清晰地勾勒出腾讯AI的未来版图：

• Agent的普及化：未来的腾讯产品中，大模型不再是一个搜索框，而是一个能调用各种API的“数字员工”。比如，它能准确理解上下文及语境，自动梳理会议纪要，并在结束后直接在企业微信里发起待办提醒及过程监管及考核。

• 垂直领域的专家化：依靠CL-bench验证的强大上下文能力，混元大模型可以快速“入职”任何行业。只要给它一套行业文档，它就能瞬间从通用大模型变身为具备该行业常识的专家，因为其具备超强的学习能力。

• 算力效率的优化：通过引入System2的搜索机制，腾讯不再追求盲目增加模型深度，而是通过“推理成本”换取“智力高度”。在需要简单回答时用System1，在复杂决策时调用System2，实现算力资源的最优配比。

《CL-bench》和《The Second Half》两篇论文并非孤立，而是姚顺宇一贯理念的延续。

前者提供具体工具（评价基准），后者给出宏观指导（方法论）。

姚顺宇糅合二者，以图塑造腾讯AI大模型的未来。

腾讯以往依赖GLUE、SuperGLUE等标准测试，但姚顺宇引入CL-bench，将推动内部评估从静态向动态转型。这有助于腾讯在竞争中脱颖而出，尤其在中文AI领域。腾讯也可借此构建生态，如将混元与微信、QQ等融合，创建多模态代理，实现个性化服务。

姚顺宇入职腾讯后的首篇论文标志着腾讯AI的“姚时代”开启，但其影响远超一公司。

从机遇看，《CL-bench》一文填补了上下文学习基准的空白，推动AI更快从实验室向应用突进。结合《The Second Half》，它为腾讯提供了“问题导向”的研发框架，避免了盲目跟风OpenAI之后。

想象一下，未来混元Agent能处理复杂企业场景，如实时供应链优化或个性化医疗咨询登登，这将重塑腾讯的商业模式。