研究评估了多个大型语言模型在长上下文理解中的表现，发现GPT-3.5-Turbo-16k在商业模型中表现优于开源模型，但在处理超长上下文时仍存在显著不足。新基准测试LIConBench和LongHealth揭示了模型在长文本和医疗数据处理中的挑战，强调了改进模型以实现更可靠应用的必要性。

本研究利用1990至2016年的VAERS数据，评估了大型语言模型（LLMs）在不良事件提取中的能力。经过微调的GPT-3.5模型（AE-GPT）在严格匹配和松弛匹配中表现优异，显示出LLMs在医疗数据处理中的潜力。研究还探讨了多任务训练和自我监督学习对模型性能的提升，强调了LLMs在医学知识提取中的应用前景。