实测四大模型256K上下文：Claude写小说稳，GPT-4o开头就“失忆”

兄弟们，今天不整虚的。我拿一篇3万字的《三体》同人文，分别喂给GPT-4o、Claude 3.5 Sonnet、Gemini 1.5 Pro和Qwen2.5-72B，测了它们的256K上下文窗口实际表现。结果挺有意思——

先说结论：**长度不决定一切，准确度才是硬伤。**

1. **Claude 3.5 Sonnet** 是这次最稳的。在140K token左右，它还能准确提取第85页的细节（比如“汪淼用的相机型号”）。但在180K之后，开始“选择性遗忘”，把主角名字写混过一次。整体召回率约85%，够用。

2. **GPT-4o** 让人大跌眼镜。刚过80K token，问它前20页的情节，它就开始胡编——把“叶文洁”说成“申玉菲”。估计是注意力头在长序列里坍塌了。这东西宣传256K，实际建议别超过64K。

3. **Gemini 1.5 Pro** 是“理论王者”。它能在200K以上准确找到“第9章第三段”的原文，但推理时——比如问“这段隐喻和前文哪个呼应”——它会答非所问。看来它的长上下文更多是“检索型”，不是“理解型”。

4. **Qwen2.5-72B** 属于黑马。在150K以内表现接近Claude，只是对中文专有名词（比如“二向箔”）偶尔丢字。但成本只有Claude的1/5，性价比拉满。

**技术真相**：别信厂商画的“百万token大饼”。当前主流模型在80K-120K后，位置编码（RoPE）的“分辨率”会下降，导致模型“看到”但“记不住”。实际开发中，建议按模型的**有效上下文**打五折使用。

**给社区的建议**：如果你的应用需要长文档问答，先用RAG（检索增强）兜底，再让模型在精简段落上推理。纯靠上下文窗口硬扛，等于拿水管当硬盘——效率低还容易爆。

大家有踩过什么坑？评论区聊聊。