LongBench (長文脈ベンチ)
読み: ろんぐべんち
最終更新: 2026-07-09・AI PICKS編集部
定義
LongBenchとは、大規模言語モデルが長い文脈をどれだけ正確に理解・処理できるかを測る多タスク・多言語対応のベンチマークのこと。
LongBench (長文脈ベンチ)とは — 詳しく解説
LongBenchは清華大学(THU)発の研究チームが公開した、大規模言語モデルの長文脈理解力を測る代表的なベンチマークとされる。要約・QA・コード補完・少数ショット学習など複数タスクを英語・中国語で評価し、モデルが数万トークン規模の入力から必要な情報を正確に抽出できるかを検証する構成が特徴とされる。2026年時点の実運用では、ベンチマークスコアが高いモデルでも、実際のドキュメント検索や長大な議事録要約では中間部分の情報を取り落とすといった課題が指摘されており、公開スコアだけで導入判断をするのは危ういという声が多い。現場でモデルを選定する際は、LongBenchのようなベンチマーク結果を足切りの参考値として使いつつ、自社の実データ・実タスクに近い形で追加検証するのが定石とされる。またコンテキストウィンドウを広げるほど推論コストも上がるため、相場感としては必要な文脈長とコストのバランスを見て選定する運用が広がっている。
LongBench (長文脈ベンチ)の使用例
- 長大な議事録や仕様書をLLMに読み込ませる前に、LongBenchのタスク傾向で要約精度の目安をつける使い方がある。
- モデル選定時に「LongBenchのQAタスクで上位のモデルはどれか」を比較検討の出発点として使う。
LongBench (長文脈ベンチ)に関連するAIツール
関連用語
「評価指標」の他の用語
Massive Multitask Language Understanding。 57 分野・1.5 万問の LLM 知識評価ベンチマーク。
OpenAI 発の Python コーディング能力ベンチマーク。 164 問の関数実装タスク。
ユーザー投票による LLM の人間評価ランキング。 Elo レーティングで モデルを順位付け。
ベンチマークとは、AIモデルの性能を標準化されたテスト課題で数値化し、異なるモデル間を公平に比較するための評価基準セットのこと。MMLUやHumanEval等、用途別に数十種類が存在する。
SWE-benchとはGitHubの実際のIssueをAIが自動修正できるかを測る、コーディングAI評価の業界標準ベンチマークのこと。
GPQAとは、生物・物理・化学の大学院レベルの難問でAIの推論力を測る評価ベンチマークのこと。Googleで検索しても解けない設計が特徴。
AI用語辞典をすべて見てみませんか
12カテゴリ・452語以上を体系的に整理しています
辞典トップへ