一句话看懂：arXiv 上出现新论文 CoRA-Bench，提出在相同 Token 预算下衡量上下文选择方法能保留多少答题证据，并对比截断、BM25、稠密检索、LLMLingua-2、Provence 等方法。它提醒开发者：少喂输入不等于还能答对。
事件核心：发生了什么
据 arXiv cs.AI 2026 年 11 月 10 日发布的新论文摘要，研究团队构建了 CoRA-Bench，把“证据保留率”作为统一指标，在共享 Token 预算下比较头部截断、尾部截断、BM25、稠密检索、稠密检索加重排序、LLMLingua-2 和 Provence。评测覆盖 BABILong、LOONG Financial Spotlight、自建 NoLiMa 诊断集和 LongMemEval。摘要给出的数据包括：128K 预算下 BM25 在 BABILong 的支持事实召回为 0.921；64K 下稠密检索与稠密重排序在 NoLiMa 的 needle 召回各为 0.908；稠密检索在 LongMemEval 的答案承载轮召回为 0.993。读者端评测中，32K 预算下 BM25 的 BABILong 答案准确率为 46.20%，稠密检索的 LongMemEval 准确率为 71.13%。
为什么重要
长上下文推理的成本主要落在输入 Token 上，压缩上下文是当前大模型应用常见的降本手段。但摘要强调，各方法的排名会随证据类型变化，证据召回高也不必然对应下游答案准确率高。这意味着“按任务选压缩策略”比追逐单一榜单更现实；把上下文压缩当默认优化，可能悄悄丢掉回答问题所需的关键句。
对用户/开发者/创作者的影响
对做 RAG、Agent 记忆和长文档问答的开发者来说，CoRA-Bench 提供的是一套更贴近实际预算的评估思路：与其只看模型能吞多长，不如同时记录选择后的证据保留率和最终正确率。检索方案、重排序和 LLMLingua-2 这类压缩工具各有适用场景，选择时应按任务类型做小规模对照测试。对创作者和企业采购方，这也提示长上下文产品的宣传参数需要结合具体任务验证，不能直接等同于可用效果。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息仅为论文摘要，全文实验细节、各任务完整排名和复现条件仍待核验。后续可关注三点：CoRA-Bench 是否公开评测代码和数据集；混合选择策略能否同时兼顾召回与答案准确率；上下文压缩工具是否会把证据保留指标纳入默认评估。
来源：arXiv cs.AI
