長脈絡評估（long-context evaluation）

宣傳一個百萬詞元的脈絡視窗很容易；忠實地用上它則不然。長脈絡評估問的是：模型能否真正在很長輸入的深處找出並推理那裡的資訊，而不只是注意開頭與結尾。標準的探針是大海撈針：把一個特定事實（針）藏在很長的干擾文本（草堆）裡受控的深度，測試精確檢索。

變動針的深度與總長度，掃出一張二維的檢索準確率熱圖，通常會暴露一個迷失於中段的山谷——放在中央區域的事實準確率下滑。由於單針檢索對當前模型太簡單，更難的套件提高門檻：多針與多跳檢索、跨眾多位置的彙總，以及像 RULER、LongBench 與 infinity-Bench 這類要求綜合分散證據而非複製單一片段的推理基準。

有效脈絡長度——表現仍可靠的那個長度——通常遠短於宣傳的最大值，而合成的撈針測試會高估真實能力，因為一句明顯格格不入的句子不自然地容易被認出。真正的長文件推理，也就是相關證據融入周遭文字之處，仍遠比那個招牌視窗所暗示的更難。