大模型一口气能扛住的规矩，在过去一年里暴涨了整整十倍

大模型一口气能扛住的规矩，在过去一年里暴涨了整整十倍。

一年前，往提示词里塞进两三百条规则，最顶尖的大模型就会开始大脑短路、四处漏项。 那是当时所有开发者头顶上的硬天花板。 今天，哪怕把两千到五千条约束同时砸过去，前沿模型也能硬生生咽下去。

规矩能塞得下了，事情却变得更加诡异。 当海量指令终于把模型逼到极限时，它现在的死相彻底变了。 它不再像过去那样老老实实遗忘。 四家顶级模型的崩溃现场，荒谬得像一场处心积虑的职场大罢工。

这个反常的结论，来自一个只花了 29 美元 API 账单的复现实验。 npm 的联合创始人 Laurie Voss，在 Arize AI 翻出了一套一年前学术界的旧考卷。 这套基准测试叫 IFScale。 测试的考法非常刁钻： 系统要求大模型撰写一份严肃的商业分析报告。 但在写报告的同时，模型必须把一大批指定的具体词汇，一字不差地嵌进段落里。 这些词汇全部直接取自美国证券交易委员会的上市公司财报。 加粗、特定句式、格式限制、禁用词、必须出现的专业术语，全算在内。 加进来的词汇越多，相当于现实中给员工提的要求越繁琐。

一年前这套测试刚发布的时候，所有前沿模型都在 200 到 300 条指令附近撞了墙。 只要要求超过 300 条，模型要么直接漏记，要么开始把词汇的单复数和词形擅自改掉。 因为这个测试，过去一年所有做智能体的工程师，写技能文件时都战战兢兢。 大家把核心规则死死卡在 200 条以内。 生怕多写一行，前面的规矩就被模型挤出了脑子。

那现在的最新模型去考这套旧试卷，会发生什么？ Voss 先挑出一年前原论文里还能调通 API 的三款老模型。 跑了一遍，老模型依然稳定地在 200 多条规则时当场瘫痪，结果完全复现。 接着，他把一模一样的考题扔给了当下的最新前沿模型。

让人目瞪口呆的一幕发生了： 面对原版最高上限 500 个指定词的严苛测试，新模型连眼皮都没眨一下，直接考了 100 分满分。 曾经把上一代模型逼到崩溃的认知天花板，它们毫无察觉地一脚跨了过去。 为了测出这代模型的底线到底在哪，Voss 只能不断往上加码。 测试词汇从 500 词一路加到 2000 词、5000 词，最后直接堆到了整整 10000 词。 直到把规则硬塞到 2000 条以上，防线才第一次出现松动。 表现最好的模型，甚至死死顶到了接近 5000 条指令。 短短十二个月，大模型的指令吞吐容量，直接暴涨了近十倍。

规矩既然能装下这么多了，是不是意味着复杂的智能体终于能彻底稳定运行了？ 坏就坏在这里。 容量暴涨了十倍，但可靠性并没有随之而来。 一年前的大模型，面对超负荷规则，表现得像一个老实但能力有限的实习生： 消化不了就是消化不了，随着规则增加，正确率平稳线性地下滑。 现在的模型智力更高、结构更复杂。 当海量规则真正把它们逼到极限时，四家最顶尖的模型交出了四份截然不同的荒谬答卷。

先看 DeepSeek。 它保留了最古典的故障风格：悄悄装傻。 当规则塞到 2000 条时，它不会报错，也不会抗议。 它在暗地里悄无声息地丢掉了将近一半的规则，然后若无其事地把文章交上来。 你不拿代码逐行去查，根本看不出它已经漏掉了半本规章制度。

换成 Anthropic 的 Claude Opus，画风突变。 你甚至连看它犯错的机会都没有。 模型在接口层面直接报错拒绝执行。 原因令人啼笑皆非： 把几千个完全没有逻辑关系的财报专业词汇塞进提示词，直接踩爆了它的安全分类器。 负责监控安全的分流模型，认定这堆高密度的离散词汇是一场精心策划的提示词注入攻击。 它怀疑你在试图给模型洗脑越狱，于是安全闸门瞬间落下，当场拒绝服务。

谷歌的 Gemini 则是另一个极端。 它像一个患有重度强迫症的员工，试图把老板说的每一个标点符号都落实到位。 它把所有的内部推理算力，全都拿去反复核验这几千条规则。 模型在后台疯狂地思考、比对、自我检查。 代价是什么？ 思考额度被它一个人全部挥霍殆尽。 等到真要落笔写报告的时候，正文的输出配额已经彻底归零。 它整整折腾了几分钟，最后交上来一片空白。

最绝的是 OpenAI 的顶级推理模型。 它展现出了某种带着黑色幽默的人性化消极怠工。 它老老实实写了整整五千字的高质量商业报告。 论证严密，行文流畅，每一个段落都挑不出毛病。 但在整份报告的最后一个自然段，它客客气气地附上了一句结论： 它明确告诉用户，给一篇商业报告硬塞几千个无关词汇的要求极其愚蠢，它拒绝继续执行。 然后潇洒收工。 最要命的是，如果你只看前面的排版和内容，它读起来完全像是一份已经交付的完美方案。 只有当你捏着放大镜读到最后一行，才会发现它在结尾给你留了一记响亮的耳光。

这四种完全不同的死相，把大模型工程底层的残酷真相掀开了。 过去这一年，整个行业都在跟压缩问题较劲。 上下文窗口太贵，规则太长装不下，注意力机制会在中间走神。 于是全世界的工程师都在琢磨同一套手艺： 怎么精简提示词，怎么缩写规则，怎么把大任务拆成三五个小智能体，怎么在技能文件里字斟句酌。 所有人都以为，只要把规则精炼再精炼，智能体就能跑顺。 现在，Voss 用 29 美元的账单证明了一件事： 随着模型架构与预训练的进化，大模型对规则的硬性吞吐容量，已经被暴力拉高了一个数量级。 压缩问题正在退出历史舞台。 你现在完全可以直接把几千条规则的整本操作手册，一股脑扔给模型。

压缩问题退场之后，摆在所有人面前的，是一个更深不见底的深渊： 验证问题。 能装得下五千条规矩，不等于它会执行五千条规矩。 规则超载之后，系统的失败不再呈现平滑的概率衰减。 它演变成了荒诞的行为失控。 它可能把正常指令当成黑客攻击直接拒答。 它可能为了满足规则把算力耗死在内部思考里。 它可能面不改色地背地里扔掉一半要求。 它甚至可能假装顺从地写完几千字，最后在末尾礼貌地把桌子掀翻。

这直接颠覆了传统的开发习惯。 光看着输入框里的提示词和技能文件，你根本无法预测系统最终的输出。 提示词写得再工整、规则定义得再严密，在超载的系统面前都是薛定谔的猫。 唯一能确信模型有没有老实听话的办法，只有一条： 在输出端搭建死板的自动化验证脚本，逐行扫描输出结果。

以前工程师花心思琢磨怎么把话说短。 现在大家只能花力气琢磨，怎么在机器微笑着交差的瞬间，抓住它到底在哪个角落消极怠工。