Needle-in-a-Haystack
长文检索单针测试——营销常用但只测检索一维
基本信息
30 秒看懂
在超长文档里找一句藏起来的话。“99% 找到”的宣传很好看，但它只测检索这一种能力。
评分协议
多深度×多长度热力图
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 2 场模型发布（收录 4 项分值） · 按发布时间倒序排列 · 数据更新于 2026-09-20
2024
2024-07-23
Meta / Llama·国际
本发布含 3 个变体，各变体规格见模型详情。
Meta 以「迄今最强模型」发布 Llama 3.1 系列，405B 为首个前沿级开源模型（dense decoder-only）。评测覆盖知识、数学、编码、多语言与长上下文，亮点如 MMLU 88.6%、GSM8K 96.8%。
开源权重长上下文多语言旗舰
查看模型变体与证据
Llama 3.1 405B · NIH/Multi-needle 98.1Llama 3.1 8B · NIH/Multi-needle 98.8Llama 3.1 70B · NIH/Multi-needle 97.5
2024-02-15
Google DeepMind / Gemini·国际
参数未公开上下文1M-2M tokens价格$3.5/$10.5 每百万 tokens模态文本·图像·音频·视频
Google DeepMind 突破性百万上下文多模态旗舰，首次实现 100 万至 200 万超长上下文检索与跨模态无损长程推理。
百万超长上下文跨模态长程推理针大海近完美检索多模态视频音频分析
查看模型变体与证据
Needle-in-a-Haystack 图表尚无可读数值
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。