先進AI模型處理長流程文件任務仍不可靠，內容遭改寫更難察覺

摘要

微軟研究院論文《LLMs Corrupt Your Documents When You Delegate》指出：現階段LLM在長流程委派式文件任務中，無法維持內容完整性與準確性。

DELEGATE-52基準測試：52個專業領域、310個工作環境，測試19個模型（OpenAI、Anthropic、Google、Mistral、xAI、Moonshot）
20次連續互動後平均內容劣化 50%
最佳模型（Gemini 3.1 Pro等）劣化率仍約 25%
80%的劣化來源於少數關鍵性失敗
Gemini 3.1 Pro達可用門檻的領域數：52個中僅11個
加入通用代理工具後劣化增加 6%

Philippe Laban（微軟研究院資深研究員）：RAG流程不應只用單輪檢索基準測試評估，而應放到多步驟工作流程中觀察。