大多數(shù)人低估了昨天 Claude開放 100 萬(wàn)上下文長(zhǎng)度的更新，從 200K 到 1M，上下文長(zhǎng)度其實(shí)不是提升到原來(lái)的 5 倍，而是 7 倍、8 倍、9 倍。

因?yàn)樵瓉?lái) 200K 的上下文里有很大一部分會(huì)被系統(tǒng)提示詞、記憶、skills，以及預(yù)留的 compact buffer 所占據(jù)。所以你真正可使用的項(xiàng)目上下文長(zhǎng)度其實(shí)就 100K 出頭，現(xiàn)在在 1M 上下文里，項(xiàng)目可用的上下文提升到了 900K 左右。

我打開 /context 截了兩張圖：

Sonnet 4.6（200K）——打開對(duì)話就用掉了 25%

Opus 4.6（1M）——同樣的 skill 配置，用掉的比例縮到 4%

Free space 的對(duì)比：

· Sonnet 4.6（200K）：free space 118k（58.8%）

· Opus 4.6（1M）：free space 923k（92.3%）

923 ÷ 118 ≈ 7.8 倍。名義上 5 倍，實(shí)際可用空間接近 8 倍。對(duì)于 skill 配置越重的用戶，這個(gè)數(shù)字越夸張——這就是我說(shuō)它等效于 6-10 倍的原因。

被 compact 折磨過(guò)的人都懂這是什么感覺(jué)。對(duì)話太長(zhǎng)觸發(fā) compact，有時(shí)候順，有時(shí)候直接失敗，對(duì)話就卡死了。重開，手動(dòng)粘貼上下文，每次都有信息損耗，然后模型在同一個(gè)地方再犯一遍你以為解決了的錯(cuò)。

上下文不是容量，是草稿紙

費(fèi)曼不相信自己說(shuō)不清楚的東西。他的標(biāo)準(zhǔn)是：把所有符號(hào)去掉還能講清楚，才算真理解。上下文限制限制的不只是能放進(jìn)去多少內(nèi)容。

你正在解一道復(fù)雜的數(shù)學(xué)題，做到一半，我把你的草稿紙拿走了。你變笨了嗎？沒(méi)有。但你能解出那道題嗎？也不能了。

問(wèn)題出在草稿紙，不在你的大腦。模型的上下文就是它的草稿紙。

記憶不只是存儲(chǔ)，是推理的原材料。推導(dǎo)結(jié)論，前提和中間步驟得記在某個(gè)地方，才能一步步往下走。每推一步就忘一步，算力再猛也推不出來(lái)。上下文窗口就是模型的有效記憶范圍，超出去只能猜。

所以模型出錯(cuò)很多時(shí)候不是不夠聰明，是看不見：

代碼開發(fā)：bug 的根源在三個(gè)文件之前引入的變量定義。那個(gè)定義超出上下文了，模型看不見，只能猜。

長(zhǎng)文寫作：寫到后半段，前面某個(gè)論點(diǎn)超出窗口了。模型開始隱隱復(fù)述已經(jīng)說(shuō)過(guò)的東西，或者前后邏輯出現(xiàn)細(xì)微矛盾。你改稿時(shí)才發(fā)現(xiàn)，時(shí)間沒(méi)了。

多輪對(duì)話：第 3 輪定的約束到第 30 輪消失了。建議越來(lái)越奇怪，你說(shuō)不出哪里不對(duì)，就是感覺(jué)「它沒(méi)在聽」。

上下文越小，這類殘缺越多，判斷越差。

數(shù)據(jù)：上下文越長(zhǎng)，Claude 和其他模型差距越大

數(shù)據(jù)也能說(shuō)明這件事。Anthropic 用 MRCR v2（8-needle）測(cè)了一組長(zhǎng)上下文檢索，任務(wù)是在超長(zhǎng)文本里同時(shí)找多個(gè)藏起來(lái)的關(guān)鍵信息。

模型

256K

1M

Claude Opus 4.6 91.9% 78.3% Claude Sonnet 4.6 90.6% 65.1%

GPT-5.4

79.3%?

36.6%

Gemini 3.1 Pro

59.1%

25.9%

? GPT-5.4 的 256K 數(shù)據(jù)為 128K–256K 區(qū)間均值

上下文越長(zhǎng)，差距越大。 256K 時(shí)幾個(gè)模型還擠在一起，拉到 1M，GPT-5.4 掉到 36.6%，Gemini 3.1 Pro 掉到 25.9%，Claude Opus 4.6 還在 78.3%。不是 Claude 在短上下文里更強(qiáng)——是拉長(zhǎng)之后別人扛不住，Claude 還在。

Claude Code 的 PM Boris Cherny 也在推上確認(rèn)了一件事：

Opus 4.6 1M 現(xiàn)在是 Claude Code Max、Team、Enterprise 的默認(rèn)模型，不用改任何設(shè)置。Pro 版和 Sonnet 用 /extra-usage 手動(dòng)開啟。

Anthropic 還引用了個(gè)客戶案例：用上 1M 上下文之后，自動(dòng)壓縮事件減少了 15%。這跟我自己的體感對(duì)得上。我自己估，對(duì)長(zhǎng)期迭代的復(fù)雜項(xiàng)目，這個(gè)價(jià)值至少等于模型能力提升 10%-20%。

API也取消溢價(jià)了

900K token 的請(qǐng)求和 9K token，現(xiàn)在一個(gè)價(jià)：

服務(wù)商

長(zhǎng)上下文怎么收費(fèi)

Anthropic Claude ? 無(wú)溢價(jià)，和短上下文一個(gè)價(jià)

OpenAI GPT-5.4

超過(guò) 272K 輸入收 2× 單價(jià)，輸出 1.5×

OpenAI 收長(zhǎng)度稅，Anthropic 現(xiàn)在不收了。終于，上下文成了top模型的標(biāo)配。理論上長(zhǎng)上下文也確實(shí)不該是高級(jí)功能，本身就該是個(gè)模型基礎(chǔ)能力。

Claude Code Max 用戶（100 刀/月那檔）更簡(jiǎn)單，1M 上下文直接就有，不用加參數(shù)，不用多付錢。

順帶還有兩件事

更新

圖片 / PDF 上限 100 → 600

以前一堆 PDF 要手動(dòng)拆批，現(xiàn)在一次喂進(jìn)去。我每次寫文章要整理十幾張截圖和參考資料，這個(gè)直接省了好幾步。

更新

Adaptive Thinking 轉(zhuǎn)正式版

模型自己判斷什么時(shí)候慢想、什么時(shí)候直接答，不用你手動(dòng)配置推理深度。少了一層不必要的決策。

Context，Not Control.

AI 工具的進(jìn)步有兩種：模型變聰明，或者把已有的能力真正釋放出來(lái)。1M 上下文 GA 是后者。但對(duì)于長(zhǎng)期項(xiàng)目、復(fù)雜開發(fā)、以及被 compact 搞崩過(guò)的人，實(shí)際影響不比前者小。

費(fèi)曼說(shuō)過(guò)，背下來(lái)一個(gè)公式，和能自己從頭推導(dǎo)出來(lái)，是兩回事，重量完全不同。給模型喂答案，和給它喂能推導(dǎo)出答案的所有信息，也是兩回事。后者更難，但結(jié)果更靠譜。

上下文窗口，決定了你能給它多少推導(dǎo)所需的信息。之前太小，你得做減法——剪掉那些「可能有用但放不進(jìn)去」的東西。每次剪，都是在賭這段信息不重要。賭對(duì)了沒(méi)感覺(jué)，賭錯(cuò)了，模型就在某個(gè)你看不見的地方犯了一個(gè)你找不出原因的錯(cuò)。

現(xiàn)在，你完全可以肆無(wú)忌憚去給模型投喂任何你覺(jué)得它該知道的信息了。

這個(gè)管理理念不止是在Netflix和字節(jié)，在大模型的使用和管理上也越來(lái)越有效了

Context，Not Control.