待验证50% 置信事实精确时间

基于LLM的智能体在长程MLE任务中存在长程减速现象：随着单次会话执行时间变长，智能体推理强度逐渐衰减，任务进展放缓

1

来源数

50%

置信度

长期有效

时效性

2026/10/12

首次发现

来源

HMA多智能体交替框架：破解长程机器学习工程的单体瓶颈

涉及实体

长程减速concept MLEconcept

相关事实

待验证研究表明LLM在处理过长、过复杂的指令集时整体遵循率会系统性下降，即指令遗忘现象77% 相似待验证过长的上下文会稀释模型对当前任务的注意力，精简上下文往往能让AI输出更聚焦更准确75% 相似待验证上下文长度越长，KV Cache 占用越大，推理速度通常会下降75% 相似待验证对于智能体类应用，长时间稳定运行比运行速度更重要，因中断会导致缓存状态丢失和任务失败74% 相似待验证单一智能体面临上下文窗口限制和注意力稀释两大瓶颈，任务复杂度超过单次推理能力时输出质量会显著下降74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1001121

API

curl https://kongchang.com/api/v1/knowledge/claims/1001121

MCP

get_claim(id=1001121)