非业内人士，没有追求全面收集，只是放了一些常见的，我认为没有哪个榜单是最好的，多综合不是什么坏事。我觉得这些测试也并不能完全的反映模型上下文能力，既跟注意力机制有关系，也跟模型本身有关系（比如参数量、训练数据、训练方法） 
CropFin 


AA-LCR 

测 MRCR 的 
contextarena.ai 
以及还有 GraphWalk，和佬友的一些简易测试。