长上下文类评测基准

窗口是接口上限：能塞进 1M token 不代表模型能用好。有效上下文指在这个长度上仍能准确检索、追踪变量并正确作答的长度，通常明显小于窗口。RULER 这类基准测的就是有效上下文，且官方只给到 128K 档。

官方表只统计到 128K；512K 与 1M 档没有公开的统一结果。原因之一是超长输入的评测成本高、可复现性差，各家的采样与截断策略也不统一。所以本页不拿厂商自报去补这一格。

本页按原榜标注为已饱和：头部模型在 128K 档的分数已经很接近，区分度下降。它仍然是判断「长输入里能不能找到信息」的有效下限，但不再适合给模型排名。

用你自己的文档做多针检索：把若干条事实埋在不同位置，问需要跨位置组合的问题，看答案是否正确、引用是否指向真正的位置。这比任何公开基准都更贴近你的实际场景，也能暴露「读了但没读到」的情况。