腾讯混元等团队发布EvolveScaler基准，用于测试大模型在长文本中跟踪不断变化信息的能力。测试包含117类任务、159种问题，最长约1200个事件，通过修改、撤回、补录等信息变化考察模型推理。结果显示，最难档成绩中位数仅11.3%，表现最好的GPT-5.5-xhigh也只有59.3%。此外，用6000条此类数据训练内部A3B模型后，在8个外部测试上平均提升5.25分。
