LoFT
Google 长上下文 RAG 检索评测
基本信息
30 秒看懂
Google 长上下文检索评测（上下文至百万 token），按检索/问答/SQL 类任务的 EM 与 F1 计分（越高越好）；读法是与专用检索器、RAG 系统对比——长上下文模型能打平检索系统，但 SQL 类组合推理仍明显偏弱。
采用格局：xAI Grok 3 引用（128k 档）
评分协议
这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布（收录 2 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2025
2025-02-19
xAI / Grok·国际
本发布含 2 个变体，各变体规格见模型详情。
Grok 3 被 xAI 定位为开启『推理代理时代』的 Beta 模型，主打 (Think) 深度推理配置并曾以代号 chocolate 登顶 LMArena。评测覆盖推理、编码、多模态理解与长上下文 RAG：AIME'25 93.3%、GPQA 84.6%、LCB 79.4%、Chatbot Arena 1402 Elo、LOFT（128k）83.3%。
推理增强Beta
查看模型变体与证据
Grok 3 · 128k 83.3%Grok 3 mini · 128k 83.1%
数据缺口（本页暂未收录）
- 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
- 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
- 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
- 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
- 测试集污染检测结论，以及是否已饱和的结构化标注
以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。
复现入口
引用
本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。