RULER
13 任务长上下文有效长度（检索/聚合/多跳），比 NIAH 严格
基本信息
30 秒看懂
NIAH 的严格版：13 种长文任务（聚合/多跳/推理）。很多宣称 128k 的模型在这里 32k 就露馅。
采用格局：思想被长上下文评测吸收，但无厂商点名引用——回避原因：易暴露有效长度短板
评分协议
声称 128k 的模型常在 32k 就掉分
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 0 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
暂无官方模型发布引用记录——多由社区或垂直领域使用。思想被长上下文评测吸收，但无厂商点名引用——回避原因：易暴露有效长度短板
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
相关评测（同类别）
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。