Long Context 横评：三家都到了 1M，然后呢？

调研日期: 2026-03-15

1M context 已经不稀奇，稀缺的是在 1M 里还能稳定找到对的信息。 Claude Opus 4.6 目前是唯一在 1M 上保持高可靠性的模型，Gemini 和 GPT 的衰减更明显。 长上下文竞争已经从容量竞赛转向可用性竞赛。

2026 年 3 月，三大前沿模型厂商终于都站到了 1M context window 的门槛上。Google 是最早的，Gemini 1.5 Pro 从 2024 年 2 月起就支持 1M。Anthropic 保守了整整两年，直到 2026 年 2 月才在 Claude Opus 4.6 上开放 1M beta，3 月 13 日刚转为正式版。OpenAI 这边更曲折：GPT-4.1 作为 API-only 模型短暂进入过 1M，但后续的 GPT-5.2 又收缩回 256K，直到 GPT-5.4（2026 年 3 月）才以 premium 模式重新支持 1M，算是第一次在面向 ChatGPT 用户的 production model 上进入 1M 俱乐部。

context window 的军备竞赛至此告一段落。但我们把各家的 long context benchmark 数据拉出来一比，发现了一个值得写下来的事实：同样标称 1M，各家的实际可靠性差异极大。在 MRCR v2 8-needle（目前最严格的 long context 检索测试）上，Claude Opus 4.6 在 1M 处得分 76%，GPT-5.4 在 512K-1M 区间是 36.6%，Gemini 3 Pro 在 1M 处只有 24.5%。

这张图可能是最直观的解释。GPT-5.2 之前在 needle-in-haystack 测试里的成绩看起来近乎完美（4K-8K 范围 98.2%），我一度以为它在这方面是无敌的。后来仔细看了一下才意识到，它的 context window 只有 256K，曲线在那里就截止了。GPT-5.4 扩展到 1M 之后，256K 以外的衰减才暴露出来。红色阴影区就是 GPT-5.2 从未被测试过的领域。

这篇调研整理了 MRCR v2、Graphwalks、LongBench 等多个 benchmark 的横评数据，试图回答一个问题：1M context window 从”有”到”能用”，各家走到了哪一步。

数据与方法

主要 Benchmark：MRCR v2（Multi-Round Coreference Resolution）

MRCR v2 是目前 long context 横评的核心 benchmark，由 OpenAI 开发并开源（GitHub）。测试方法是在大量干扰文本（haystack）中插入多个相同格式的”needle”用户请求和回复，要求模型准确检索第 n 个 needle 的内容。

8-needle 变体是最难的配置：模型需要同时追踪和区分 8 个不同的目标信息。相比 2-needle 或 4-needle，这对模型的多注意力跨度和精确检索能力要求高得多。所有前沿模型厂商（OpenAI、Anthropic、Google）都采用 8-needle 作为 long context 能力的核心评估标准。

数据来源

本报告的数据来自三类来源，按可信度排序：

• 厂商官方 benchmark：OpenAI 官方博客（GPT-5.2、GPT-5.4）、Anthropic 系统卡（Sonnet 4.6 System Card）、Google Gemini 技术报告（arxiv 2507.06261）
• 独立第三方评测：contextarena.ai（统一环境下测试各模型）、Artificial Analysis
• 综合分析文章：The March 2026 Frontier、Awesome Agents Long Context Leaderboard

需要特别注意的是：不同来源的 MRCR v2 分数不可直接对比。OpenAI 官方数据使用 xhigh reasoning effort，Anthropic 使用 max thinking，而 contextarena.ai 有自己的标准化设置。本报告在对比时会注明数据来源和评测条件。

拆解”无敌”假象：GPT-5.2 的 256K 边界

开头那张图值得再仔细看一遍。两条曲线在 0-256K 范围内几乎重合，说明 GPT-5.2 和 GPT-5.4 在这个区间的能力没有本质差异。真正的信息在红色阴影区：GPT-5.4 进入 256K 以上后，256K-512K 从 79.3% 骤降到 57.5%，512K-1M 进一步跌至 36.6%。这不是 GPT-5.4 的退步，而是 GPT-5.2 从未面对过的挑战。

GPT-5.2 与 GPT-5.4 逐区间对比

来源：OpenAI GPT-5.2 Blog、OpenAI GPT-5.4 Blog

在重叠区间（4K-256K），两个模型的性能差异极小（±2%），说明这不是代际能力退步，而是 GPT-5.2 根本没有被测试过 256K 以上的场景。GPT-5.4 在 256K 以内几乎与 GPT-5.2 持平，但延展到 1M 后揭示了所有模型都面临的长 context 衰减问题。

跨模型横评：谁在 1M 真正能用？

上图来自 Anthropic Sonnet 4.6 系统卡中的 Table 2.16.A 数据（Claude 模型使用内部评测 + max thinking，Gemini 和 GPT 数据来自 contextarena.ai 第三方评测），以及 OpenAI GPT-5.4 官方数据和 Google Gemini 2.5 技术报告。

256K 聚合分数

1M 聚合分数

Claude Opus 4.6 在 1M 处的 76.0% 是一个质变。对比前代 Sonnet 4.5 的 18.5%，提升了 4 倍。Anthropic 在 Opus 4.6 的发布公告中称这是”a qualitative shift in how much context a model can actually use while maintaining peak performance”。

Context Window ≠ Context Reliability

这张散点图直观展示了一个反直觉的现实：context window 越大，未必性能越好。

GPT-5.2 只有 256K 的 context window，但在该范围内的最远测试点（128K-256K）仍然有 77%。而 Gemini 2.5 Pro 虽然标称 1M context window，在 1M 处只有 16.4%。Gemini 3 Pro 虽然持续改善，但 1M 处也只有 24.5%。相比之下，Claude Opus 4.6 是唯一在 1M 处保持 70%+ 的模型。

这个现象在学术研究中也有系统性验证。arXiv 2409.12640 的 Michelangelo 评估发现：GPT 和 Claude 模型在短 context（8K 以下）上表现更好，但衰减速率更快。Gemini 模型在短 context 上起点较低，但衰减更平缓，在超长 context（1M）处反而可能反超。这个”交叉效应”说明短 context 性能和长 context 性能之间存在内在张力，模型很难两者兼得。

各家 Long Context 策略复盘

Anthropic：保守但有效的”晚发先至”

Anthropic 的 context window 扩展时间线：

来源：Anthropic Release Notes、Claude Opus 4.6 发布

从 2024 年 3 月到 2026 年 3 月，整整两年 Anthropic 都在 200K。Anthropic 工程博客在 2025 年 9 月的一篇文章中明确阐述了他们的哲学：

“Waiting for larger context windows might seem like an obvious tactic. But it’s likely that for the foreseeable future, context windows of all sizes will be subject to context pollution and information relevance concerns. The solution isn’t more capacity; it’s better management of existing capacity.”

这段话暗示 Anthropic 认为 context window 扩张不是解决方案，context 管理才是。回头看数据，这个策略确实有效：当他们最终推出 1M 时，性能（76%）远超早年就提供 1M 的 Gemini（24.5%）。

Google Gemini：先行者的困境

来源：Google Gemini Blog、Gemini 2.5 Tech Report、Gemini 3.1 Pro Model Card

Google 从 2024 年初就率先提供了 1M context window，一度是行业唯一。但在 8-needle MRCR v2 上的表现一直不理想。Gemini 2.0 Flash 在 1M 处只有 10.2%，到 Gemini 3 Pro 提升到 26.3%，但与 Claude Opus 4.6 的 76% 相比差距仍然巨大。

有意思的是 Gemini 在 128K 处的改善速度很快：从 2.5 Pro 的 58.0% 到 3.1 Pro 的 84.9%。在 128K 处，Gemini 3.1 Pro 与 Claude Sonnet 4.6 并列（84.9%），说明中等 context 下各家已经趋同（来源）。但 1M 处的鸿沟还在。

开发者社区对 Gemini 的 long context 可靠性也有不少抱怨。Reddit 上有用户反映 Gemini 3 Pro 在使用 15-20% 的标称 context window 后就出现明显性能退化（来源）。

值得注意的是 Latenode 声称 Gemini 2.5 Pro 在 53 万 tokens 内达到 100% recall，1M 处 99.7%（来源）。但这个数据未能在 Google 官方技术报告中找到验证，可能来自不同的测试方法（如 2-needle 而非 8-needle，或简单的 passkey retrieval 而非 MRCR）。

OpenAI：精度优先的区间制

OpenAI 的策略与 Anthropic 类似，都是偏保守的。GPT-5.2 选择了 256K 的 context window（部分配置 400K），把精力集中在让这个范围内的性能尽可能完美。GPT-5.4 扩展到 1.1M 时，272K 是标准模式，1M 是付费 premium 模式（2 倍计费）（来源）。

GPT-5.4 在 Codex 中支持 1M context window（实验性），需要通过 model_context_window 和 model_auto_compact_token_limit 配置启用。

其他 Long Context Benchmark 补充

MRCR v2 是当前最重要的 long context 横评 benchmark，但不是唯一的。以下是其他 benchmark 的关键发现：

Graphwalks（多跳图推理）：Claude Opus 4.6 和 GPT-5.2 在 Parents 任务上几乎打平（71.1% vs 72.0% at 1M），但 BFS 任务上都很挣扎（~40% at 1M）。来源：Sonnet 4.6 System Card

LongBench v2（长文档理解，503 题）：Gemini 2.5 Pro 以 63.3% 领先，超过人类基线（53.7%）。GPT-4o 46.0%，Claude 3.5 Sonnet 41.0%。来源：LongBench v2 Leaderboard

RULER（检索/聚合/推理，13 项任务）：在 128K 处，仅 Gemini 1.5 Pro（94.4%）和 Jamba-1.5-large（95.1%）能维持 90% 以上。GPT-4 降至 81.2%。来源：NVIDIA RULER

LongBench Pro（更新的长文档评测）：排名前三为 Gemini 2.5 Pro（73.42）、GPT-5（72.61）、Claude-4-Sonnet（69.87）。Gemini 2.5 Pro 展现了对 context 长度的”钝感”：256K 得分（71.77）与 8K 得分（74.50）几乎持平。来源：arXiv 2601.02872

方法论注意事项

评测条件差异

同一个 benchmark 在不同评测条件下的分数差异很大。以 GPT-5.2 的 MRCR v2 256K 8-needle 为例：

• OpenAI 官方（xhigh reasoning, 128K-256K 区间）：77.0%
• Anthropic 系统卡引用 contextarena.ai 数据（256K 聚合）：63.9%
• OpenAI 自报（xhigh reasoning, 256K 聚合）：70.0%

同一模型、同一 benchmark，三个来源给出三个不同数字。原因包括：reasoning effort 设置不同、聚合方式不同（按区间平均 vs 按样本加权平均）、温度参数差异等。

8-needle vs 其他变体

Google 在 Gemini 博客中经常引用的”MRCR 91.5% at 128K”数字可能是 4-needle 变体或 MRCR v1 的结果，而非 8-needle。Gemini 2.5 Pro 在 Google 自己的技术报告中，8-needle ≤128K 得分只有 54.3-58.0%。这个差异说明 needle 数量对难度影响极大，在比较不同来源的 MRCR 数据时必须确认是否为同一变体。

结论

“context window 军备竞赛”这个叙事框架已经过时了。The March 2026 Frontier 文章（来源）总结得很好：

“The context-window arms race is over. The context-reliability race is the real story now. And it’s a harder problem. Stuffing a million tokens into a window is engineering. Getting the model to actually use what’s buried at token 600,000 is science.”

行业研究也支持这个判断：Awesome Agents 的分析（来源）指出，模型的有效 context 容量通常只有标称值的 60-70%，超过这个范围后性能衰减就不可忽视。

对于实际使用者来说，关键的几个 takeaway：

• 如果你的 context 在 128K 以内，各家前沿模型差异不大，Gemini 3.1 Pro 和 Claude Sonnet 4.6 都在 85% 左右。
• 如果你需要可靠地使用 256K-1M 的 context，Claude Opus 4.6 目前是唯一维持 70%+ 性能的选择。
• 不要被标称的 context window 大小误导。Gemini 的 1M 和 Claude 的 1M 在 MRCR v2 8-needle 上的表现差距是 3 倍（24.5% vs 76.0%）。
• GPT-5.2 在 256K 内确实很强，但它之所以”看起来完美”，部分原因是从未在 256K 以上接受过考验。

可视化文件：imgs/mrcr_v2_performance_curve.png、imgs/mrcr_v2_cross_model.png、imgs/context_window_vs_reliability.png

可视化脚本：assets/long_context_benchmark_viz.py