随着大模型上下文窗口扩大到100K-200K Token（开源）或者200万-1000万字（商业），不少人开始质疑检索增强生成（RAG）是否已经过时？
| 企业机构 | 模型名称 | 上下文长度 | 开/闭源 | 是否中文 |
| 360 | 360Zhinao-7B-Chat-360K | 360K | 开源 | 是 |
| 猎户星空 | Orion-14B-LongChat | 200K-320K | 开源 | 是 |
| 元象XVERS | XVERSE-Long-256K | 256K | 开源 | 是 |
| 上海AI Lab | InternLM2-Chat-7B/20B | 200K | 开源 | 是 |
| 零一万物 | Yi-6B-200K | 200K | 开源 | 是 |
| 百川智能 | Baichuan2-192K | 192K | 开源 | 是 |
| NousResearch | Yarn-Mistral-7b-128k | 128K | 开源 | 否 |
| Anima | Anima-7B-100K | 100K | 开源 | 否,中文需要申请 |
| Anthropic | Claude 2.1 | 200K | 闭源 | 是 |
| 智谱AI | GLM4 | 128K | 闭源 | 是 |
| OpenAI | ChatGPT-Turbo | 128K | 闭源 | 是 |
| 月之暗面 | Kimi Chat | 20万字 | 闭源 | 是 |
| 月之暗面 | Kimi Chat Longer | 200万字 | 闭源 | 是 |
| 通义千问 | qwen | 1000万字 | 开/闭源 | 是 |
LangChain团队（Lance Martin 软件工程师）结合几个最新研究项目成果来探讨、分析这个问题。通过多针“大海捞针”方法，深入分析了长上下文大模型在事实推理和检索（reasoning & retrieval in long context LLMs）方面的局限性，接着分析了长上下文给RAG带来的新变化，如以文档为中心的索引技术（RAPTOR+Long embeddings）和RAG的流程变化（Self-RAG、CRAG）。
多针“大海捞针” ：https://blog.langchain.dev/multi-needle-in-a-haystackChallenge may be recency bias in LLMs：https://arxiv.org/pdf/2310.01427.pdfRAG from scratch：https://github.com/langchain-ai/rag-from-scratchRAG新突破RAPTOR： https://github.com/parthsarthi03/raptorDense X Retrieval: https://arxiv.org/pdf/2312.06648.pdfTogether Embeddings：https://www.together.ai/blog/embeddings-endpoint-releaseSelf-RAG：https://arxiv.org/abs/2310.11511CRAG：Corrective Retrieval Augmented Generation https://arxiv.org/abs/2401.15884
