在最近的 Fiction.Live 基准测试中，Gemini2.5Pro 在理解和再现复杂故事和背景方面表现出色，领先于竞争对手 OpenAI 的 o3模型。这项测试远超传统的“大海捞针”式任务，专注于模型在海量上下文中处理深层语义和背景依赖信息的能力。

据测试数据显示，在上下文窗口长度达到192，000个词条（约14.4万个单词）时，o3模型性能急剧下滑，而 Gemini2.5Pro 的6月预览版(preview-06-05)在同一条件下依然保持了超过90% 的准确率。

值得注意的是，OpenAI 的 o3模型在8K 代币以下保持完美准确率，但当上下文扩展至16K~60K 后出现波动，最终在192K时“崩溃”;相比之下，Gemini2.5Pro 尽管在8K时略有下滑，却能稳住表现直至192K。

尽管 Gemini2.5Pro 宣称可支持高达100万个标记的上下文窗口，目前的测试仍远未触及其理论极限。与此同时，o3的最大窗口为200K，而 Meta 推出的 Llama4Maverick 则宣称能处理 多达一千万个词条，但在实际任务中被指出忽略了大量重要信息，表现未达预期。

深度理解能力不能靠“堆参数”堆出来。

来自 DeepMind 的研究人员 Nikolay Savinov 指出，“信息越多并不等于更好”。他解释，大上下文带来的挑战在于注意力机制的分配:关注某些信息时，势必会忽略其他部分，反而降低整体表现。他建议用户在使用模型处理大型文档时，优先删除无关页面、缩减冗余内容，以提升模型处理质量。

整体来看，Fiction.Live 基准测试为语言模型能力评估提供了更真实、更贴近应用场景的测试方式。Gemini2.5Pro 在此次测试中展现了其在长文本理解上的强劲实力，也提示行业:未来的大模型竞争，不再仅是“谁的窗口大”，而是“谁用得更聪明”。