本研究探讨了长上下文大语言模型（LCLMs）在隐私风险方面的不足，提出了六种有效的成员推断攻击策略，揭示了LCLMs的成员泄露风险。

本研究介绍了一种专门的基准测试LIConBench，评估了13个长上下文大语言模型在20K令牌长度下的表现。发现大部分模型受益于长上下文窗口，但在超过20K的上下文窗口下，除了GPT-4外，大部分模型表现下降。LIConBench可作为未来评估长上下文大语言模型的工具。