《长窗口的“信噪比红利”：基于 DeepSeek 百万 Token 项目的三阶段量化研究》。

🔍 核心发现：
通过对 DeepSeek 百万 Token 基准的深度复现与分析，发现长上下文中存在高达 25%-65% 的结构性噪音。盲目增加长度并不等于提升智能。

💡 我们的贡献：
提出一套 L1-L2-L3 三阶段数据净化框架 (Three-Stage Purification Framework)：

1. L1 粗筛：剔除无效冗余。
2. L2 结构化：提取逻辑骨架。
3. L3 语义提纯：确立“有效认知基线”。

这套方法不仅解释了为何某些模型在长窗口下表现衰退，更为未来的数据预处理提供了可量化的“信噪比”标准。

📄 资源获取：

• 请访问项目主页获取中英文pdf文章
• 🌐 项目主页: tpwang-lab.github.io

欢迎同行批评指正，共同推动长窗口研究从“拼长度”走向“拼质量”。