Claude 这个更新，让模型能力提升10%+！

昨天Claude正式开放100万上下文长度的消息，可能被很多人低估了。表面上看，这似乎只是从20万到100万，提升了5倍。但实际情况要复杂得多，也重要得多。

名义5倍，实际近8倍：被隐藏的“可用空间”

这里有个关键细节：模型的总上下文长度，并不等于你能自由使用的空间。系统提示词、记忆机制、内置技能（skills），以及为压缩处理预留的缓冲区（compact buffer），都会预先占用一部分。这就好比买了一台512G的手机，系统和预装应用已经占去了100G。

在之前的200K（20万）上下文版本中，一次对话刚开启，这些固定开销就可能用掉近25%的额度。真正留给你的项目内容，往往只有100K出头。

现在，上下文提升到1M（100万），这些固定开销的比例被大幅稀释。同样的技能配置下，系统占用可能只占4%。结果就是，你的“可用空间”从大约118K暴增到了923K。

做个简单的除法：923 ÷ 118 ≈

。名义上是5倍升级，实际可用空间却接近8倍。对于那些依赖复杂技能配置的重度用户来说，这个提升倍数可能更高，达到6到10倍也不稀奇。

这意味着什么？如果你曾被对话过长触发“compact”（自动压缩）机制所折磨，就能深刻体会。压缩过程并不总是顺畅，有时会直接失败导致对话卡死。你不得不重启对话，手动粘贴上下文，每次操作都伴随着信息损耗。更令人沮丧的是，模型很可能在同一个地方，重复犯下你以为已经纠正过的错误。

现在，这种困扰将大幅减少。

上下文不是容量，是推理的“草稿纸”

理解这次升级的意义，需要跳出“容量”的思维定式。上下文窗口对模型而言，更像是一张“草稿纸”。

物理学家费曼有一个著名的标准：只有当你能够抛开所有数学符号，用通俗语言把一件事讲清楚时，才算真正理解了它。模型的推理过程与此类似。上下文限制的，远不止是能塞进去多少内容，更关键的是限制了模型进行连续、复杂思考的能力。

想象一下，你正在解一道复杂的数学题，进行到一半时，有人突然抽走了你的草稿纸。你变笨了吗？并没有。但你还能顺利解出那道题吗？恐怕也不能了。

问题出在草稿纸，而不在你的大脑。对于大模型，上下文就是它的草稿纸。记忆不只是存储，更是推理的原材料。要推导出一个结论，前提条件和中间步骤必须被记在某个地方，才能一步步推进。如果每推进一步就忘记一步，那么再强大的算力也无济于事。上下文窗口定义了模型的有效记忆范围，超出这个范围，它就只能依靠猜测。

因此，模型犯的很多错误，根源并非“不够聪明”，而是“看不见”。

• 代码开发
  ：一个Bug的根源，可能藏在三个文件之前引入的变量定义里。如果那个定义超出了上下文窗口，模型就“看不见”，只能靠猜，自然难以给出正确修复。

• 长文写作
  ：写到后半部分，前面设定的核心论点可能已超出窗口。模型开始无意识地复述已讲过的内容，或者前后逻辑出现细微矛盾。等你审稿时才发现，时间已经浪费了。

• 多轮深度对话
  ：第3轮定下的约束条件，到了第30轮可能已被遗忘。模型的建议会变得越来越奇怪，你感觉它“没在听”，却又指不出具体哪里出了问题。

上下文越小，这类因信息残缺导致的判断失误就越多。

数据印证：长上下文是能力的“压力测试”

数据也清晰地支持这一点。Anthropic使用MRCR v2（8针检索）基准进行了测试，任务是在超长文本中同时定位多个隐藏的关键信息。结果颇具说服力：

模型	256K 性能	1M 性能
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数据为其128K–256K区间的均值

一个明显的趋势是：

在256K长度下，几个顶级模型的表现还比较接近。但一旦将上下文拉长到1M，GPT-5.4的性能跌至36.6%，Gemini 3.1 Pro更是降至25.9%。而Claude Opus 4.6依然保持了78.3%的高水平。这并非说明Claude在短上下文里绝对更强，而是证明了在极限长度下，其他模型的性能衰减更为剧烈，而Claude的架构更能“扛得住”。

Claude Code的产品经理Boris Cherny也在社交平台上确认，Opus 4.6的1M上下文现已作为Claude Code

版本的默认模型，无需更改任何设置。Pro版和Sonnet用户则可通过 /extra-usage 指令手动开启。

Anthropic引用了一个客户案例：启用1M上下文后，自动压缩事件减少了15%。这与许多用户的直观感受相符。对于需要长期迭代的复杂项目而言，这种稳定性的提升，其价值可能相当于模型本身能力提升了10%-20%。

更重要的信号：API取消“长度税”

除了性能，商业策略的转变同样值得关注。现在，无论你提交900K token的请求还是9K token的请求，价格是一样的：

服务商	长上下文收费策略
Anthropic Claude	✓ 无溢价，与短上下文同价
OpenAI GPT-5.4	输入超过272K部分收取2倍单价，输出部分收取1.5倍

当OpenAI仍在收取“长度税”时，Anthropic选择了取消。这释放出一个明确信号：长上下文正在从一项“高级功能”转变为顶级模型的“基础能力”。从技术原理上讲，这也本该是模型应具备的基础素质。

对于Claude Code Max（每月100美元档位）的用户来说更简单，1M上下文直接可用，无需额外参数，也无需额外付费。

顺带的两个实用更新

更新 #1 图片/PDF处理上限提升 单次上传的图片或PDF文件数量上限从100大幅提升至600。以前处理大量文档时需要手动分批上传，现在可以一次性全部喂给模型。对于需要整理大量截图和参考资料进行写作或分析的工作流来说，这一步直接省去了好几个繁琐环节。

更新 #2 自适应思考（Adaptive Thinking）转正 该功能已结束测试，转为正式版。模型将自行判断何时需要“慢思考”（深入推理），何时可以“快回答”，无需用户手动配置推理深度。这减少了一层不必要的决策，让交互更加流畅自然。

Context, Not Control.

AI工具的进步通常有两种路径：一是让模型变得更聪明；二是将模型已有的能力更彻底地释放出来。这次1M上下文的全面开放，显然属于后者。但对于长期项目、复杂开发，以及那些曾被“compact”搞崩过心态的用户而言，这次升级的实际影响，丝毫不亚于一次模型能力的飞跃。

回到费曼的比喻：记住一个公式，与能够从头推导出这个公式，是两件重量完全不同的事。同样，给模型直接喂食答案，与为它提供足以推导出答案的全部信息，也是两种截然不同的范式。后者实现起来更难，但结果无疑更加可靠。

上下文窗口的大小，直接决定了你能为模型提供多少用于推导的信息。在过去，窗口太小，用户不得不做减法——剪掉那些“可能有用但塞不进去”的信息。每一次裁剪，都是一场反赌，赌这段被舍弃的信息不重要。赌赢了，风平浪静；赌输了，模型就会在某个你无法察觉的角落，犯下一个你找不到根源的错误。

现在，情况改变了。你可以更加放心地将任何你认为模型应该知道的信息，完整地提供给它。这种“提供充分上下文，而非施加精细控制”的理念，不仅在Netflix、字节跳动等公司的管理中愈发有效，在大模型的使用范式上也正展现出强大的生命力。

Context, Not Control.