一份百页合同，答案若全在同一段，可能比十页材料更好答；真正麻烦的是条款散在正文、附录和修订记录里，还得逐步拼出最终结论。换句话说，上下文窗口——模型一次能读进多少 Token（文本单位）——只说明“桌面有多大”，不能说明解题有多难。
研究团队据此建立了 LURCH：一个含 6,550 道题的多领域问答基准，并用三把尺子描述难度：证据范围，即需要动用多少材料；证据分散度，即线索隔得多远；推理深度，即答案需要多少个前后依赖的步骤。作者报告，在文本长度相同的情况下，三项指标升高都与模型得分下降相关；其中，推理深度翻倍对应的降幅，与上下文长度翻倍大致相当。更反直觉的是，长度增加时，线索集中的题目表现相对稳定，线索分散的题目却明显变难。它提醒我们：评价长上下文能力，不能只看模型“读得下多少”，还要看它能否找到、串联并逐步处理散落的证据。