现在的大模型评价标准有一个越来越明显的偏好：让模型在长线任务上、在完全没有人类反馈的情况下，自主地把 benchmark 分数推到更高，它们都在奖励同一种能力——给一个目标，给足工具和环境，剩下的全部自己来，直到任务达成。 
我对这种偏好有一个疑虑。为了"长线自主"而训练的模型，在任务的中间节点会按照优化目标充分剥削局面：它倾向于做出只为当前目标服务的特化决策，因为那样做能让它在后续拿到更高的分数。但真实世界里很多有价值的东西没有明确的结束节点，一个系统必须保持继续演化的可能性，这就要求过程中框架始终“干净”。模型似乎没有"保留余地"的意识；或者说，它在"保留余地"和"把某一点优化到极致"之间，建立不起良好的平衡。 
虽然确实可以通过打磨提示词、反复交互来改善以上的不良表现，但我感觉这些都只是治标不治本的手段，问题的根源还是在于模型本身。 
以上只是我个人一点臆想，想听听各位佬有没有相关的...