待验证50% 置信基准精确时间
评估长记忆系统常用的基准测试包括RULER、NIAH（Needle-in-a-Haystack）及LongBench
1
来源数
50%
置信度
长期有效
时效性
2026/10/9
首次发现
来源
涉及实体
相关事实
待验证长上下文检索准确率通过Needle-in-a-Haystack测试衡量模型在超长文档中精准定位关键信息的能力76% 相似待验证AttSVD的测试覆盖了一个智能体基准和完整的LongBench长上下文评测套件70% 相似待验证NIAH测试将关键信息埋藏在大量无关文本中考察模型能否准确召回，是衡量长程信息保留能力最直观的方法69% 相似待验证MERIT（Memory Evaluation for Realistic Instrumented Tasks）基准测试测量记忆对任务执行的实际贡献，并引入明确的成本核算机制，用于评估LLM智能体的长期记忆能力67% 相似待验证RULER是专为评估长上下文模型能力设计的基准测试集，涵盖单跳多跳检索、问答、摘要及逐字拷贝等任务，通常在16K至128K上下文长度下评测66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/992133API
curl https://kongchang.com/api/v1/knowledge/claims/992133MCP
get_claim(id=992133)