長脈絡基準測試（long-context benchmarks）

這類基準檢驗一個號稱能讀十萬字的模型，是否真的用得上全部內容，而不只是開頭與結尾。最簡單的探針是「大海撈針」：把一個特定事實藏在巨大文件的某處，要模型把它找出來。把這根針掃過每個位置、每種輸入長度，你就得到一張熱度圖，顯示模型真正注意之處與它悄悄遺忘之處。

更難的版本超越單一事實的查找：必須整合的多根針、需要跨越文本遙遠段落來推理的問題，或追蹤一個在長篇故事中不斷變化的變數。這些都揭露了：規格表上的大脈絡視窗，不等於對它的有效運用。

反覆出現的發現是一種「迷失於中段」的模式：模型能可靠地回想長輸入最前與最後的資訊，到了中間卻變得不可靠，而且準確率隨輸入變長而衰退。所以長脈絡基準量的不只是模型能否接受長提示，而是它真正的理解力在整個跨度上撐得有多優雅。