跳到主要内容Skip to main content

Models · Evals

LongBench

长上下文理解

测什么长上下文理解
任务与数据问答、摘要、代码、检索等 20+ 任务
指标各任务 F1 / 准确率 / ROUGE 等
污染风险部分任务来自公开语料;长文档可能被模型见过。
复现固定上下文长度、截断方式与任务子集;记录 tokenizer。
成本中到高;长上下文吃显存
快照日2026-11-19
核验日2026-11-19

怎么读

适合看长文任务,但“支持 128k”不等于能同等利用 128k。

下一步

  • 打开榜单或论文页,确认题集版本、评分脚本与提交日期。
  • 把它和你关心的业务任务做对照;找不到对应任务,就自己建 50–100 条内部评测。
  • 读 怎么读榜单,把“分数”写成“条件 + 参考价值”。
榜单 / 来源:https://github.com/THUDM/LongBench · 快照 2026-11-19