Apr 17, 2026 · DELEGATE-52
DELEGATE-52：前沿模型在长文档委派中平均破坏 25% 内容
2026 年 4 月 17 日提交的 DELEGATE-52 覆盖 52 个专业领域和 19 个模型；即使 Gemini 3.1 Pro、Claude 4.6 Opus、GPT-5.4 等前沿模型，在长流程结束时也平均破坏约 25% 文档内容。
EVENT STORY
Development
- First ReportDELEGATE-52：前沿模型在长文档委派中平均破坏 25% 内容arXiv cs.AI
- Current Assessment文档 Agent、代码编辑和办公 Copilot 必须提供结构校验、版本 diff 与可回滚历史；一次生成质量不能替代长流程数据完整性。Agent Pulse · analysis
知识工作 Agent 在长编辑中可能只损坏少量关键内容，这类错误比完全拒绝更难发现。研究显示工具调用没有解决问题，文件更大、交互更长或存在干扰文件时退化更严重。
基准模拟跨代码、晶体学、乐谱等专业领域的长文档编辑，追踪每轮修改后的完整性而非只评最终文风。大规模实验揭示稀疏但严重的错误会随交互累积，说明局部 diff 看似合理仍可能造成全局腐化。
文档 Agent、代码编辑和办公 Copilot 必须提供结构校验、版本 diff 与可回滚历史；一次生成质量不能替代长流程数据完整性。
高价值文档自动化应默认在副本上运行，逐步验证关键字段和引用，并用内容破坏率而非节省点击次数作为上线门槛。
需要验证不同文件格式、协作编辑和权限设置，并研究检查点、约束解码、验证器与人工复核能否降低累计损坏。