待验证50% 置信事实精确时间

Needle-in-a-Haystack测试将关键信息随机插入超长文档不同位置，测试模型能否准确找到，是检验长上下文能力的标准压力测试

1

来源数

50%

置信度

长期有效

时效性

2026/7/9

首次发现

来源

国产AI外网被赞内网被批：三重错位揭示评价割裂真相

bilibili跟陈博士学AI2026/7/4

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74% 相似待验证推荐对关键测试用例至少运行20-50次，以将置信区间控制在可接受范围内68% 相似待验证Perplexity构建了四层评测体系：路由测试、路径测试、端到端测试（LLM-as-Judge）、跨模型测试67% 相似待验证压力测试是评估系统在超额负载下稳定性与性能边界的标准工程手段，通常分为负载测试、峰值测试和耐久测试三类67% 相似待验证标准基准测试衡量的是单次工具调用的格式正确性，而真实的生产级Agent失败往往发生在多步序列之中66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/339585

API

curl https://kongchang.com/api/v1/knowledge/claims/339585

MCP

get_claim(id=339585)