长文档处理是 AI 工具宣传的高频词，但几百页的合同、研报、论文丢进去，实际表现参差。评价这类能力，别只看参数宣传，拆成读得全、读得准、读得快三个维度逐项检验，结论才可靠。三个维度分别对应不同的检验方法，下面逐一展开。
长文档能力拆成三个维度
读得全，指上下文窗口与文件支持能不能装下你的文档；读得准，指能否在长材料里定位细节并正确引用；读得快，指解析速度与多轮追问下的稳定性。三者相互独立，一个工具可能读得全但答不准，也可能快但不稳。评测对比时按维度分开打分，比笼统说「好不好用」有用得多。
读得全：上下文与文件支持
先看硬指标：支持哪些文件格式、单文件大小与页数上限、上下文窗口多长。以 Kimi 为代表的工具以长文本见长，常见文档格式基本覆盖，具体限制以官方说明为准。检验方法很简单：拿你最真实的业务文档传进去，问它全篇结构，看有没有明显漏掉的章节，装不装得下一试便知。支持清单里没提到的格式，先转换再试，别直接判死刑。
读得准：定位与引用表现
装得下之后考验定位能力。设计三类探针问题：细节题（文中某处的具体数字）、关系题（两个章节的结论是否矛盾）、汇总题（跨章节归纳要点）。同时观察它是否给出原文位置或页码，能否点回原文。长文档中段的细节最容易出错，把探针埋在中段，最能试出真实水平。探针问题的答案你自己要先知道，否则没法判断它答得对不对。探针的数量也别太少，五道以上才能看出稳定程度，一道题的巧合说明不了什么。
长文档任务的成本考量
长文档任务还有一个绕不开的变量：成本。解析大文件消耗的资源更多，按量计费的服务上差异会明显体现，免费额度也可能因大文件消耗得更快。做常规对比时，把完成同一任务的总消耗记下来，和效果放在一起看。高频使用长文档能力的团队尤其要留意，工具的账要按月算，不能只按单次体验算。
读得快：速度与稳定性
解析速度决定工作流顺不顺：上传到可以提问要等多久、追问答复延迟多少。如果工具支持后台解析，先提交大文件再去做别的事，等待时间也能利用起来。更重要的是稳定性：同一文档多轮追问后，回答质量是否明显下滑，前文交代过的约束是否还被遵守。速度可以靠体验感受，稳定性建议用同一组问题隔天重测一遍再做结论，重测时连提问的措辞都保持一致，排除变量。
按场景选择长文档工具
场景决定选择：合同审阅重读得准，需要引用可回溯；研报摘要重读得全，覆盖面优先；临时查资料重读得快，响应及时优先。没有全能选手，明确自己最高频的场景，用探针问题实测两三个工具，选表现最贴合的那个，具体能力以最新版本实测为准。工具迭代很快，每个季度把探针重跑一遍，结论要及时更新。
长文档对比的三个追问
- 上下文窗口大的就一定读得准吗？：不一定。窗口是容量，定位与引用是能力，两者独立，必须用细节探针实测。实测花的十分钟，远比选错工具后的返工便宜。
- 几百页的文档要不要先拆分？：如果目标是精确引用，拆分章节处理更稳；只要整体概要，整份上传效率更高。
- 别人的评测结果能直接照搬吗？：只能当参考。文档类型、提问方式都会影响结果，关键决策前用自己的文档重测。
