LongBench Pro 是 LongBench 系列的全面升级，提供更贴合真实场景的双语长上下文评测。基准包含 1500 个自然长语境样本（中文+英文），输入长度从 8K 到 256K tokens，涵盖 11 个主任务和 25 个子任务。采用人机协作构建流程——模型起草后由专家严格验证，平衡质量与可扩展性。
通过评估 46 个主流长上下文模型，LongBench Pro 得出三个重要发现：(1) 长上下文优化比参数扩展对理解能力的贡献更大；(2) 有效上下文长度通常短于声明值，且存在显著的跨语言错位；(3) “思维”模式主要有利于原生推理训练的模型。多维分类体系（完全/部分语境依赖、6 级长度、4 级难度）支持细粒度分析。