Context Arena 实测数据泼冷水，号称百万上下文标着 1M 实际根本不顶用

GPT-5.6 Sol 对阵 Claude Opus 5，Sol 赢在“不崩”
Opus 5 在 128k 以内还能跟 Sol 掰掰手腕，准确率都在 90% 上下。但一旦上下文拉长到 256k、512k，Opus 5 的曲线像断了腿一样往下掉，到了 1M 直接跌破 60%。反观 Sol，全程压在 85% 以上，1M tokens 那格子依然稳住 82%。OpenAI 这代在长程依赖追踪上的工程化优化，Anthropic 目前真追不上。别跟我谈理论窗口，跑不通 8-Needle 的 1M 就是废纸。

Gemini 3.7 Flash 才是性价比之王，没得争
别光盯着旗舰看，Gemini 3.7 Flash（绿条）的表现简直是降维打击。它在 512k 甚至 1M 处的准确率竟然能咬住 GPT-5.6 Sol 的后腿，甚至偶尔反超。关键是 OpenRouter 上它的价格只有 Sol 的 1/10 还不到。对于要把整个代码库、几百份财报塞进上下文的工程团队，Flash 不是“备选”，是唯一能大规模落地还不把老板气哭的选项。Sonnet 5 和 GPT-5.6 Terra？曲线更难看，别考虑了。

实测配置别光看，自己跑一遍才踏实
Context Arena 开源了评测管线，别信二手解读（包括这篇）。把你的实际文档语料、你的提示词模板塞进去跑分：

# context-arena 配置片段
benchmark: GDM-MRCRv2
variant: Full_8-Needle
context_bins: [8k, 16k, 32k, 64k, 128k, 256k, 512k, 1M]
models:
  - gpt-5.6-sol
  - claude-opus-5
  - gemini-3.7-flash
  - gpt-5.6-terra
  - claude-sonnet-5
metric: accuracy_ci95
needle_type: multi_hop_coref

跑完再看账单，别让销售的“百万上下文”忽悠了架构选型。