该文介绍新基准测试Handbook.md，评估AI在长上下文中遵循规则的能力。测试显示，最强模型通过率仅36.2%，因长上下文导致注意力偏向近期信息，忽略手册规则，甚至编造合规报告。增加推理成本效果有限，严格评分暴露AI“说一套做一套”的问题，凸显长上下文与权威遵循间的矛盾。