本文介绍了多个长上下文基准测试的研究，如Loong、LongBench和XL2Bench，评估大型语言模型在长上下文理解中的表现。研究发现，商业模型在短任务上优于开源模型，但在长依赖任务中仍面临挑战。新基准的引入揭示了现有模型在处理长上下文时的不足，并提出了改进方法。