据God of Prompt称，宾夕法尼亚州立大学发现当前代理记忆的关键缺陷：由单一模型推理轨迹蒸馏的记忆会夹带该模型的偏置与启发式，跨模型迁移会让性能跌破零记忆基线；据该来源报道，将7B模型的记忆给32B模型使MATH500由63.8%降至50.6%、HumanEval由68.3%降至34.1%，反向迁移同样退化。根据同一来源，MEMCOLLAB通过对比一成一败的两条跨模型轨迹，仅提取在两者中均成立的抽象不变量（而非风格与捷径），使Llama 3 8B在MATH500从27.4%升至42.4%，四项基准平均从41.7%升至53.9%。据God of Prompt报道，Qwen 7B在MATH500由52.2%升至67.0%、HumanEval由42.7%升至74.4%；HumanEval与MBPP的平均推理轮次分别从3.3降至1.5、3.1降至1.4，显示精度与推理效率双提升、推理成本下降。该来源还称，跨架构记忆构建（Qwen 32B加Llama 8B）在GSM8K上以95.2%优于同家族方案的93.6%，为企业在代码助理、数学辅导与流程自动化等场景部署跨模型记忆标准化流水线、降低token开销并提升稳健性提供了可行路径。

据Twitter用户God of Prompt报道，Phi与Mistral模型在GSM1k基准测试中的准确率相比GSM8k下降了13%，部分模型变体下降幅度高达13.4个百分点。分析指出，这些模型并未展现真正的推理能力，而是由于训练过程中见过答案导致记忆化。这一发现对模型在商业和科研领域的泛化能力与可靠性提出了严峻挑战。

根据推特用户God of Prompt的报道，研究人员发现AI模型在生成GSM8k测试题方面的能力与其性能差距之间存在0.32的相关性。该发现表明，能够复述测试题的模型在面对新问题时表现更差。这意味着这些模型更倾向于记忆答案而非真正解决问题，这对当前AI评测基准的有效性提出了挑战。

根据Andrej Karpathy在X平台（原Twitter）的引用，GSM8K论文自2021年发表以来，成为大语言模型（LLM）数学推理能力评测的重要基准（来源：https://twitter.com/karpathy/status/1966896849929073106）。该数据集包含8,500条高质量小学数学题，被广泛用于AI模型性能评估、缺陷识别与推理优化。GSM8K的应用推动了AI教育产品和自动化解题工具的商业化发展，促进了AI行业在智能教育和逻辑推理领域的持续创新（来源：GSM8K论文，2021）。