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