为什么重要
LAMBADA 测试的是模型对叙事文本的深层理解——每个测试样本要求预测段落的最后一个词，而这个词只能通过理解整段叙事上下文才能推断。人类在看完全段后几乎 100% 正确，但只看最后一句则下降到 50% 以下，证明任务确实需要长距离理解。
构建方式
从 BookCorpus 中筛选段落，要求满足：(1) 人类看完全文能轻松猜出最后一词，(2) 只看最后一句无法猜对。双重标注确保质量。
任务示例
- 段落讲述一个角色在雨中奔跑回家的场景，最后一句：“He finally reached the front door and turned the ___” → 答案：“knob”
关键发现
- GPT-2 时代准确率仅 ~63%，GPT-3 跃升到 ~86%，展示了规模扩展对长距离理解的效果
- 成为衡量语言模型”真正理解”vs”统计拟合”的重要试金石
- 少样本提示能显著提升表现
关联基准
HellaSwag（常识续写）、StoryCloze（故事结局预测）、PIQA（物理直觉）
不足与展望
主流模型已接近饱和。单词预测格式限制了评测深度，后续研究更多转向段落级和文档级的理解评测。