APE 的運作方式是「自動產生候選提示 → 用評分機制評估效果 → 保留最好的再迭代」。 想像你請人幫忙改一篇長文，但他每次只隨機抽一段來評分。抽到寫得好的那段就說整篇很好，抽到爛的就說整篇爛。評分訊號一旦不準，後面再怎麼迭代都是白費力氣。 整套機制能不能work，完全取決於評分訊號準不準。到了超長上下文任務，輸出動輒橫跨大量段落，評估往往只能抽樣局部片段來打分，這個局部分數無法代表整份輸出的品質。於是 APE 就被錯誤的訊號帶著走。這是它在長文本情境最根本的限制。