话说在前：
我发帖的时候就标注过了，这里的30k只是在我测试环境里的30k，不能直接照搬。只能说，同样的环境下，同样的准确率，2.5p能支持到大概70-100k。3p大概30-40k，差不多是2-3倍的关系。
不知道怎么传着传着成了上下文只有30k了，我发帖就说过这里的上下文只表示测试时用的。
实际上应该这么理解，处理同一段文本，召回率（这里用的就是字面意思，从文本里提取出数字的能力，用“召回”很生动形象）上2.5p的效果是3p的2-3倍
另外，我必须要说明一下这个准确率是怎么得到的，简单来说，数字错位了，需要修改一次，那么就记录一次错误，增加数字/删除数字都记录一次错误
最后用(40-错误数)/40 就是准确率了
或许是算法不够好吧，测试数据全在github开源了，各位可以自己去写算法比较
直接上图吧，测试了一下3p的大海捞针曲线，可以发现基本上和lithiumflow还有o一串的曲线稳合，说明之前在lmarena竞技场的l和o一串模型就是3p的很新的一个检查点或者微调
实际用起来也一样，超过20-30k后，就很容易一直报diff失败了，召回率很烂
从曲线来看，只有2.5pro的1/3水平（图里的上下文只表示测试环境，不等于实际体验，但相对关系和曲线走势还是有意义的）
但是3pro在其有效上下文，也就是召回率为100%时的表现还是要比2.5pro高太多了
这也是为什么各种看各种推特的烂炒3p怎么怎么好，因为他们都是只发一句提示词，输入上下文可能连10k都没有，完全体现不出模型的注意力/召回率
但是吧，你召回率只有2.5p的1/3，那还怎么用啊，好能力被上下文拉了
总结：模型能力出色，但是注意力巨烂，完全是大退步。谷歌经典整数必炸
这里放一个新算法修正后的数据：
下面是用的旧算法，不太具有参考意义了，旧算法在统计上有点问题。不过几乎没什么差别就是了
Gemini系列全家桶测试曲线
下面是3p具体的：
测试仓库：
