本研究提出了一种上下文化评估协议，以解决语言模型评估中上下文缺失的问题。研究表明，上下文显著影响评估结果，揭示了模型在不同上下文中的表现差异。

本研究探讨了五种语言中的问答和命名实体识别，测试了五种大型语言模型及其提示方法，发现模型在不同任务和语言中的表现存在差异，强调需采用任务特定的方法。