结论
百万 token 上下文不等于”能用一百万 token”。GPT-5.5 是目前长上下文检索能力最强的模型（MRCR @ 1M 达 74%），DeepSeek V4 和 Gemini 2.5 Pro 居中（约 50-60%），Claude Opus 4.7 在大窗口下表现偏弱（32.2%）。
如果你的核心需求是让模型理解整本文档或大型代码库，GPT-5.5 是当前最可靠的选择。如果只需要”大概知道文档里有什么”来辅助决策，任何旗舰模型都够用。
测试维度
检索精度
MRCR（Multi-Reference Context Retrieval）是衡量模型在超长上下文中定位关键信息能力的基准。在 100 万 token 的测试条件下：
| 模型 | MRCR @ 1M | 说明 |
|---|---|---|
| GPT-5.5 | 74% | 检索精度领先，针在大海中找针的能力最强 |
| Gemini 2.5 Pro | ~60% | 表现稳健，但细节检索有遗漏 |
| DeepSeek V4 | ~50% | 够用，但复杂查询容易丢失 |
| Claude Opus 4.7 | 32.2% | 大窗口下注意力分散明显 |
GPT-5.5 的 74% 意味着在百万 token 中给出 10 个关键信息点，它能准确找到其中 7-8 个。Claude Opus 4.7 的 32.2% 则意味着大部分信息会被遗漏。
上下文衰减
所有模型在长上下文中的表现都存在”衰减效应”——文档开头和末尾的信息更容易被记住，中间部分容易被忽略。不同模型的衰减曲线不同：
- GPT-5.5：衰减最平缓，中间段信息的保留率显著高于其他模型
- Gemini 2.5 Pro：开头和末尾表现优秀，中段有中等程度衰减
- DeepSeek V4：衰减相对均匀，整体精度随上下文长度线性下降
- Claude Opus 4.7：对超长上下文的支持似乎不是训练重点，衰减剧烈
实际场景表现
技术文档问答：给模型一份 500 页的 API 文档，询问特定端点的参数。GPT-5.5 准确率最高；Claude 需要你把文档拆成多个分段分别提问。
代码库审查：将整个代码仓库作为上下文输入，要求找出潜在 bug。GPT-5.5 和 Gemini 2.5 Pro 能给出有价值的反馈；Claude 和 DeepSeek V4 容易遗漏跨文件依赖中的问题。
长文档摘要：对 200 页报告生成摘要。所有模型都能胜任——这是长上下文中最简单的任务，因为不需要精确定位信息，只需要整体理解。
新技术动态
AMD 最近发布了 HyLo（Hybrid Long-context）架构论文，证明可以在预训练之后以更低的成本添加长上下文能力，内存占用大幅降低，短上下文质量仅有轻微下降。HyLo 可将可用上下文扩展至 200 万 token。这项技术如果被主流模型采纳，可能重新洗牌长上下文能力的竞争格局。
选择建议
需要精确定位长文档中的信息：GPT-5.5。74% 的 MRCR 分数目前无可替代。
只需要整体理解（摘要、情感分析、主题识别）：任何旗舰模型都可以，选择最便宜的那个。
需要本地部署的长上下文方案：关注 AMD HyLo 架构的开源实现，预计未来几个月会有基于此架构的开源模型出现。
RAG vs 长上下文：如果你的场景是”在大量文档中搜索特定信息”，传统 RAG（检索增强生成）仍然比纯长上下文更可靠——因为 RAG 的分段检索不会受到注意力衰减的影响。长上下文更适合”理解单个大型文档”的场景。