微软研究院测了19个主流大模型做长文档编辑。即使最强的Gemini 3.1 Pro、Claude 4.7 Opus和GPT-5.5，平均损坏25%的文档内容。而且这些错误是静默的——不逐字对比，根本看不出来。
读完DELEGATE-52论文我的反应是：卧槽，我每天都在干这事。
让AI帮忙润色文档、改代码、整理笔记。默认它能原封不动保留我没说要改的部分。这篇论文告诉我：没说要改的部分，四分之一被偷偷动了。
52个领域、19个模型，全跪
DELEGATE-52，名字起得到位——DELEGATE就是"委托"。测试逻辑简单：给模型一份文档，让它执行编辑任务（改格式、调结构、修内容），然后检查改动之外的部分有没有损坏。
52个领域，代码到晶体学到乐谱。19个模型，开源小模型到顶级商用全上。
结果：全军覆没。
前沿模型平均损坏率约25%。坏的还不是均匀分布的——是"稀疏但严重"的错误，冷不丁给你来一下。最要命的是累积效应：改的轮次越多，损坏越狠。
这叫静默损坏（silent corruption）。AI不会说"我把这部分改坏了"。它自信地把一份读起来通顺、看起来完整的文档交给你，里面悄悄掺了错。
你发现不了。直到出事了。
为什么读-改-写会有25%损坏？
先说清实验设计，不然容易被喷带节奏。
论文用的工具是基础版：read_file()读，write_file()写。模型把整份文档读进去、理解任务、然后重新生成整份文档——等于在模型参数里"过了一遍"再吐出来。
打个比方：你让同事改PPT里一页，同事说好，把整个PPT重做了一遍。他改了你要改的那页，但其他页因为记忆
