大型语言模型（LLM）的常见评测大多聚焦单步推理或短程交互，但真实任务往往需要连续执行多个相互依赖的步骤。这种长程状态跟踪能力极少被单独考察，因为每一步都建立在前一步结果之上，单点小错会随链路延长而不断放大，最终导致整体失败。为检验这一能力，研究团队设计了一个极具挑战性的场景：让模型通过一串深度依赖的工具调用来完成MD5哈希计算。MD5内部包含多轮状态更新与位操作，每个中间值都必须精确传递，容不得半点偏差。这项工作值得关注，在于它将评测重心从“一步答对”推向“长链条操作中能否稳定保持状态”。如果LLM能胜任此类任务，意味着它们更有潜力承担编程代理、多步工具使用等真实应用；反之，则说明还需开发更有效的记忆与状态管理机制。对长程依赖的系统评测，有望成为衡量大模型实用性的重要标尺。