Our new X account is live! Follow @wizwand_team for updates

Long-context understanding on InfiniteBench

0.6812En. MC Accuracy

FlexPrefill

Updated 4d ago

Evaluation Results

Method	Links
FlexPrefill 2026.02		0.6812	0.2737	0.11	0.508	0.9915	0.9695	0.2257	0.203	0.4953
Minference 2026.02		0.6725	0.268	0.185	0.516	0.9746	0.978	0.2229	0.1954	0.5016
Token Sparse Attention 2026.02		0.6725	0.276	0.14	0.468	0.9898	0.9627	0.2286	0.2005	0.4923
Token Sparse Attention 2026.02		0.6594	0.2761	0.185	0.496	0.9746	0.978	0.2143	0.1929	0.497
Token Sparse Attention 2026.02		0.6507	0.2801	0.17	0.55	0.9847	0.9746	0.2571	0.203	0.5088
Flash-Attention 2026.02		0.6419	0.2764	0.19	0.552	0.9847	0.978	0.24	0.2056	0.5086
Token Sparse Attention 2026.02		0.3843	0.163	0.055	0	0.3373	0.3	0.0514	0.2614	0.1941
Minference 2026.02		0.3799	0.1676	0.055	0	0.3458	0.3119	0.06	0.2614	0.1977
FlexPrefill 2026.02		0.3581	0.1745	0.07	0	0.4119	0.6576	0.0457	0.2665	0.248
Token Sparse Attention 2026.02		0.3537	0.1671	0.065	0	0.3932	0.6593	0.0314	0.2563	0.2408
Flash-Attention 2026.02		0.3319	0.1687	0.055	0	0.3661	0.6271	0.0143	0.2716	0.2293
Token Sparse Attention 2026.02		0.3319	0.1681	0.055	0	0.3576	0.6288	0.0086	0.2741	0.228