OpenAI近日发布报告，指出GPT-4o及4o-mini模型存在性能下降问题，并正在积极调查中。科研人员推出LONGPROC基准测试工具，旨在评估模型在长上下文中的复杂信息处理能力。

实验结果显示，包括GPT-4o在内的顶尖模型在处理复杂长文本生成任务时仍有待改进。所有参测模型虽宣称上下文窗口大小超过32K tokens，但实际表现大相径庭。即便是最前沿的模型，在生成连贯冗长内容方面仍有提升空间，这或将成为未来大型语言模型（LLM）研究的重要方向。