Continual-ARC 基准：主流 Agent 学不会经验，微调 9B 模型反而可以
Unify.ai 团队发布持续学习基准 Continual-ARC，专门测试 AI Agent 能否从持续的真实任务经验中学习。结论颇为泼冷水：OpenClaw、Hermes Agent、Prime Agent 等主流 agent 普遍无法有效积累经验——既记不住有价值的内容，也无法泛化到新任务；而一个经过微调的 9B 模型反而能实现有效的经验记忆与新任务泛化。
已确认
- Unify.ai 发布持续学习基准 Continual-ARC，评测 agent 从经验中记忆并泛化的能力。
- 评测显示 OpenClaw、Hermes Agent、Prime Agent 等主流 agent 均无法从经验中有效学习：既无法形成有价值的记忆，也无法泛化到新任务。
- 对一个 9B 模型进行微调后，能够实现有效的经验记忆与新任务泛化，表现反超主流 agent。
为什么重要
- 结果说明当前主流 agent 在持续学习维度存在明显短板，单纯堆叠任务经验并不能带来能力提升。
- 微调 9B 小模型即可胜出，提示「针对持续学习做专门微调」可能是比使用更大通用 agent 更务实的路径，也为 agent 记忆与泛化研究提供了可复现的评测基准。
（本簇 8 条帖子均为对 Unify.ai 同一发布内容的转述，核心结论一致，其中 @Med1Ai 最早报道，其余为转发。）
2026-11-11 ~ 2026-11-12 · 8 条相关
一手来源
- 【源头】新 benchmark Continual-ARC:主流 agent 都学不会经验,9B 模型微调可以 — Med1_Ai · 2026-11-11
- 新基准 Continual-ARC:主流 Agent 均无法从经验中学习 — alifcoder · 2026-11-12
另有 6 条近重复转述:Med1_Ai · hey_abusiddik · SimplyAnnisa · CodeByPoonam · hey_abusiddik · hey_abusiddik