EvolveScaler测试大模型动态推理，GPT-5.5最高仅答对59.3%

腾讯混元等团队发布了 EvolveScaler，专门测试大模型能否跟上不断变化的信息流。测试方法是在长文本中持续加入修改、撤回、补录和作废的信息，再要求模型根据最新状态回答问题。

EvolveScaler如何出题

以示例任务来看，系统会先给模型一段长时间序列信息，比如 40 天的游戏记录，然后追问：「如果第 7 天没打那个小 Boss，最后还能不能打赢？」这个变化会连带影响后续的装备、血量和战斗结果。

团队称，模型需要从第 7 天开始，把后面几十天的状态重新推演一遍，因为原文中并没有现成答案可直接提取。

测试覆盖117类任务

这套评测共设计了 117 类任务、159 种问题，最长约 1200 个事件。参与测试的共有 14 个模型配置，包括 GPT-5.5、Gemini 3.1 Pro、DeepSeek V4 Preview Pro、GLM-5.2 和 Qwen3.5 Plus。

最难档中位数仅11.3%

在最难档位下，模型成绩中位数只有 11.3%。即便是表现最好的 GPT-5.5-xhigh，正确率也只有 59.3%。

数据也可用于训练

团队还提到，这套数据不仅能用于测试，也可以拿来训练模型。一个内部 A3B 模型在加入 6000 条这类数据后，在 8 个外部测试上全部取得提升，平均提高 5.25 分。