1M 令牌上下文窗口中的检索与多跳推理：在中文古籍上评估大语言模型

本文评估了五款宣称具备 1M 令牌上下文窗口的尖端大语言模型在中文古籍语料上的长上下文检索与推理能力。研究包含两项实验：测试一测量 1M 输入下的单针检索，区分真实上下文检索与训练记忆依赖；测试二探测需中间推理的多跳能力，测量跨越三个上下文层级（256K、512K、1M）的三跳链遍历。研究发现，最强模型虽能解决单针检索，但在多跳任务中表现出三种不同的性能衰减特征，表明标称上下文长度并非可用多跳能力的良好代理，512K 至 1M 的过渡区是关键判别点。