Claude 這個更新，讓模型能力提升10%+！

大多數人低估了昨天 Claude開放 100 萬上下文長度的更新，從 200K 到 1M，上下文長度其實不是提升到原來的 5 倍，而是 7 倍、8 倍、9 倍。

因為原來 200K 的上下文里有很大一部分會被系統提示詞、記憶、skills，以及預留的 compact buffer 所占據。所以你真正可使用的項目上下文長度其實就 100K 出頭，現在在 1M 上下文里，項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，實際可用空間接近 8 倍。對于 skill 配置越重的用戶，這個數字越夸張——這就是我說它等效于 6-10 倍的原因。

被 compact 折磨過的人都懂這是什么感覺。對話太長觸發 compact，有時候順，有時候直接失敗，對話就卡死了。重開，手動粘貼上下文，每次都有信息損耗，然后模型在同一個地方再犯一遍你以為解決了的錯。

上下文不是容量，是草稿紙

費曼不相信自己說不清楚的東西。他的標準是：把所有符號去掉還能講清楚，才算真理解。上下文限制限制的不只是能放進去多少內容。

你正在解一道復雜的數學題，做到一半，我把你的草稿紙拿走了。你變笨了嗎？沒有。但你能解出那道題嗎？也不能了。

問題出在草稿紙，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，是推理的原材料。推導結論，前提和中間步驟得記在某個地方，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。上下文窗口就是模型的有效記憶范圍，超出去只能猜。

所以模型出錯很多時候不是不夠聰明，是看不見：

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

長文寫作：寫到后半段，前面某個論點超出窗口了。模型開始隱隱復述已經說過的東西，或者前后邏輯出現細微矛盾。你改稿時才發現，時間沒了。

多輪對話：第 3 輪定的約束到第 30 輪消失了。建議越來越奇怪，你說不出哪里不對，就是感覺「它沒在聽」。

上下文越小，這類殘缺越多，判斷越差。

數據：上下文越長，Claude 和其他模型差距越大

數據也能說明這件事。Anthropic 用 MRCR v2（8-needle）測了一組長上下文檢索，任務是在超長文本里同時找多個藏起來的關鍵信息。

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 數據為 128K–256K 區間均值

上下文越長，差距越大。 256K 時幾個模型還擠在一起，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——是拉長之后別人扛不住，Claude 還在。

Claude Code 的 PM Boris Cherny 也在推上確認了一件事：

Opus 4.6 1M 現在是 Claude Code Max、Team、Enterprise 的默認模型，不用改任何設置。Pro 版和 Sonnet 用 /extra-usage 手動開啟。

Anthropic 還引用了個客戶案例：用上 1M 上下文之后，自動壓縮事件減少了 15%。這跟我自己的體感對得上。我自己估，對長期迭代的復雜項目，這個價值至少等于模型能力提升 10%-20%。

API也取消溢價了

900K token 的請求和 9K token，現在一個價：

服務商

長上下文怎么收費

Anthropic Claude ? 無溢價，和短上下文一個價

OpenAI GPT-5.4

超過 272K 輸入收 2× 單價，輸出 1.5×

OpenAI 收長度稅，Anthropic 現在不收了。終于，上下文成了top模型的標配。理論上長上下文也確實不該是高級功能，本身就該是個模型基礎能力。

Claude Code Max 用戶（100 刀/月那檔）更簡單，1M 上下文直接就有，不用加參數，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 要手動拆批，現在一次喂進去。我每次寫文章要整理十幾張截圖和參考資料，這個直接省了好幾步。

更新

Adaptive Thinking 轉正式版

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

Context，Not Control.

AI 工具的進步有兩種：模型變聰明，或者把已有的能力真正釋放出來。1M 上下文 GA 是后者。但對于長期項目、復雜開發、以及被 compact 搞崩過的人，實際影響不比前者小。

費曼說過，背下來一個公式，和能自己從頭推導出來，是兩回事，重量完全不同。給模型喂答案，和給它喂能推導出答案的所有信息，也是兩回事。后者更難，但結果更靠譜。

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

現在，你完全可以肆無忌憚去給模型投喂任何你覺得它該知道的信息了。

這個管理理念不止是在Netflix和字節，在大模型的使用和管理上也越來越有效了

Context，Not Control.