一句话：上下文长度只是难度的表象——同样长的两段文本，难度可以差好几个量级，真正的硬度藏在范围、分散、深度三个维度里。
核过的硬料（arXiv 2610.22067，cs.CL，2026-10-15，一作 Shiwen Qin，爱丁堡大学，Shay B. Cohen 与 Mirella Lapata 组，通讯作者 Miao Li，标题 Beyond Context Length: Characterising the Difficulty of Long-Context Reasoning）：
- 论文的出发点：长上下文模型支持的窗口越来越长，评测却习惯把上下文长度当难度的主指标，可长度解释不了模型为什么在需要复杂信息推理的长任务上失败。
- 三维分解是论文的本体：证据范围（必须找到多少必要信息）、证据分散度（这些信息在上下文里散得多开）、推理深度（从证据到答案要多少步依赖推理）。
- 基准叫 LURCH，6,550 个问答实例，每个都标注了支持证据的具体位置和从证据到答案的推理图，三个维度因此可精确量化，不靠人工估计。
- 数据漏斗值得记住：从 26 个候选来源的 323,040 个实例，经过滤、验证、子采样，收到 17 个来源的 6,550 个；保留标准是英语、32k–256k token 的自然长上下文，且优先多跳推理任务。
- 推理图是 answer-conditioned 的，标注质量有量化：两名标注员对推理深度的完全一致率 65.6%，深度估计的 Spearman 相关 0.48；最不稳的指标是步数——两人差两步以上的占 16.3%。图谱生成还做了交叉审计：两位评审在 40 个实例上比对两套图，没有人更偏好 GPT 生成的图，其中一人在深度有分歧的 20 例里有 14 例偏好 Gemini 的版本——机器画图这件事本身也被当实验对象审过了。
- 统计口径也讲究：每题每模型采样三次取均值，四个维度都做 log2 变换再标准化，用广义线性模型逐个拟合范围、分散、深度；论文原话，推理深度翻倍带来的分数下降，与上下文长度翻倍相当，范围的影响也同量级。零值也有处理：取该预测因子最小正值的半档再取对数，免得 log 直接把"没有"炸成负无穷——这种边角处的严谨，往往是数据工作靠不靠谱的分水岭。
- 三个反直觉发现全部对上：固定长度下三个维度都与分数强负相关；长度增加时分散证据的任务退化最陡，局部证据的任务基本稳定；三项都中等的任务难于一项极端，论文用词是 compounding（复利叠加）。
- 论文的结构本身就是三个研究问题：等长下的难度、长度相关的难度、组合难度——加上附录里对分数量表和 logistic 链接的敏感性检查，该做的稳健性都做了。RQ2 的小节标题就把结论写在了脸上：长度对范围大、证据散的任务更要命。附录 A 还把全部候选来源列了清单，含被剔除的那些；别家长上下文数据集只给问题和答案，LURCH 连证据在哪、推理几步都标好了，这是它能做受控实验的底气。
- 帖子没提 323,040 → 6,550 的数据漏斗，也没提推理图是人工标注的——这既是 LURCH 的优点也是它规模的天花板。
- 论文对"长度与推理深度的交互"原话是 remains uncertain（仍不确定），帖子把三个维度的发现讲得太齐整了，这一维其实留着问号。
- 还有一处要拧过来的：帖子说三项叠加是"乘性放大"，但论文 RQ3 的参照模型恰恰叫 additive GLM（不含交互项的加性模型），结论原话是 broadly consistent with an additive combination（与加性组合大体一致）——"复利"是修辞，统计上是相加，别把乘性当成论文结论转述。
- 对工程的含义帖子讲对了：RAG 系统该按分散度设计多轮检索、把相关证据聚在一起降低分散度、深推理任务显式写中间步骤。顺带一句，海里捞针式测试只考"找到"，不考"整合"与"推理"，拿它当长上下文成绩单确实乐观。
一句收尾：难度不是数据量的函数，是任务结构的函数——下次看到"支持一百万 token"的发布会，先问分散证据、大范围、深推理这三题，再鼓掌。