Workload
long-context-v1
Черновик
На какой вопрос отвечает
Какова глубина полезного контекста на системе — а не настраиваемого?
Что измеряется
Лестница 8K/32K/64K/128K; задачи класса RULER плюс подмножество в духе LongBench с контролями answerable/unanswerable; различает configured / loadable / completed / quality-preserving / recommended.
Какие заявления этот workload поддержать не может
«Держит 128K контекста» на основании одного факта аллокации памяти.
Дисциплина идентичности
Каждая released-ревизия workload замораживает хэши элементов, ревизию токенизатора, модель нагрузки, политику кэша и quality-гейты. Результаты ссылаются на точную ревизию; изменение любого поля идентичности создаёт новую ревизию.