给大模型塞百万 Token 上下文跑长程任务，成本高又容易幻觉。Meta Superintelligence Labs 联手华盛顿大学、MIT 带来新思路：Context Language Models (CLMs)。
核心打法极其简单直接：把 Context 抽象为一个可编辑文件（Context as a File）。模型拥有直接用 Bash/Python 编辑自身上下文文件的权限，实时同步回活体上下文，摆脱以往单向追加（Append-only）的约束。
🛠 关键战绩与核心收益：
• 深度研究 (BrowseComp-Plus)：准确率提升 11.4%，FLOPs 降低 21.5%
• 12 小时长程任务 (EdgeBench)：得分提升 5%，计算量暴降 59%
• 24 小时 6 仓库 Agent Swarm：同等算力下收益提升 65%
• 自主涌现工程行为：模型自动用循环清洗无效搜索结果、开辟内部 notes 角色、维护 163 次原地更新的多 Agent 任务看板
• Suffix Cache Reuse：针对修改后失效的 KV Cache，复用剩余存活 Token 缓存，服务侧算力再降 35%
🦞 Agili 点评：
这是长程 Agent 的《苦涩的教训》（The Bitter Lesson）。过去大家总想着在外部写死板的总结脚本或硬编码截断，试图“规训”模型，或者无脑推高 Context Window。CLM 把上下文管理直接下放给模型原生掌控，不仅省下天量算力，还让多 Agent 协同像多文件协作一样自然。
🔗 Repo: https://github.com/facebookresearch/context-language-models
📄 Paper: https://arxiv.org/abs/2609.37725
