AIエージェント能力アトラス › 仕事ごとの一覧 › 基盤能力（横断） › 記憶と文脈

長文脈からの検索・統合的推論

Long-context retrieval and integrative reasoning

0 できない ／ 1 デモ止まり ／ 2 補助 ／ 3 実務品質（要確認） ／ 4 専門家並み ／ 5 専門家超え。「予」は予測。

専門家と比べて

単純な検索（needle-in-haystack）は人間を上回るが、複数情報の統合・矛盾解消を要する実務読解は専門家に劣る

できること

単一事実の検索は128K〜1Mトークン規模でほぼ完璧に近い精度を出す

まだできないこと

複数needle（多点情報の統合）では精度が95%から60%まで低下。全モデルでRULERスコアはNIAHスコアより10-25ポイント低く、実効文脈は主張スペックの200-400K程度に留まる（Gemini 3 Deep Think除く）

なぜそうなのか

文脈が長くなるほど関連性判定の精度が下がる『context rot』現象があり、単純検索と統合的推論の難易度差が大きい

これからの予測の根拠

アーキテクチャ改善（attention効率化）により2028年に実効文脈が主張値に近づくと予測されるが、需要も並行して伸びるためギャップが残る可能性

いま使える主な道具

Gemini 3 Deep Think、Claude (1M context)、GPT-5.x

根拠

• Long-Context Retrieval 2026: Needle-in-Haystack Test 2026
  多点needleで精度95%→60%に低下、実効文脈は200-400K程度
• RULER: What's the Real Context Size of Your Long-Context Language Models? 2024-04
  RULERスコアがNIAHスコアより大幅に低いことを実証

同じ分野のほかの仕事（記憶と文脈）

• セッションを跨ぐ永続記憶
• 文脈長に伴う性能劣化（context rot）

AIエージェント能力アトラス 2026（2026-09-06 時点・v1.0）の1マスです。レベルは公開された実験・ベンチマーク・報告から付けた目安で、2027年以降は予測です。全マスに根拠のリンクがあります。作者は個人で、AI（Claude）と一緒に調べて作っています。