大多数人低估了昨天 Claude开放 100 万上下文长度的更新，从 200K 到 1M，上下文长度其实不是提升到原来的 5 倍，而是 7 倍、8 倍、9 倍。
因为原来 200K 的上下文里有很大一部分会被系统提示词、记忆、skills，以及预留的 compact buffer 所占据。所以你真正可使用的项目上下文长度其实就 100K 出头，现在在 1M 上下文里，项目可用的上下文提升到了 900K 左右。
我打开 /context 截了两张图：
Sonnet 4.6（200K）——打开对话就用掉了 25%
Opus 4.6（1M）——同样的 skill 配置，用掉的比例缩到 4%
Free space 的对比：
· Sonnet 4.6（200K）：free space 118k（58.8%）
· Opus 4.6（1M）：free space 923k（92.3%）
923 ÷ 118 ≈ 7.8 倍。名义上 5 倍，实际可用空间接近 8 倍。对于 skill 配置越重的用户，这个数字越夸张——这就是我说它等效于 6-10 倍的原因。
被 compact 折磨过的人都懂这是什么感觉。对话太长触发 compact，有时候顺，有时候直接失败，对话就卡死了。重开，手动粘贴上下文，每次都有信息损耗，然后模型在同一个地方再犯一遍你以为解决了的错。
上下文不是容量，是草稿纸
费曼不相信自己说不清楚的东西。他的标准是：把所有符号去掉还能讲清楚，才算真理解。上下文限制限制的不只是能放进去多少内容。
你正在解一道复杂的数学题，做到一半，我把你的草稿纸拿走了。你变笨了吗？没有。但你能解出那道题吗？也不能了。
问题出在草稿纸，不在你的大脑。模型的上下文就是它的草稿纸。
记忆不只是存储，是推理的原材料。推导结论，前提和中间步骤得记在某个地方，才能一步步往下走。每推一步就忘一步，算力再猛也推不出来。上下文窗口就是模型的有效记忆范围，超出去只能猜。
所以模型出错很多时候不是不够聪明，是看不见：
代码开发：bug 的根源在三个文件之前引入的变量定义。那个定义超出上下文了，模型看不见，只能猜。
长文写作：写到后半段，前面某个论点超出窗口了。模型开始隐隐复述已经说过的东西，或者前后逻辑出现细微矛盾。你改稿时才发现，时间没了。
多轮对话：第 3 轮定的约束到第 30 轮消失了。建议越来越奇怪，你说不出哪里不对，就是感觉「它没在听」。
上下文越小，这类残缺越多，判断越差。
数据：上下文越长，Claude 和其他模型差距越大
数据也能说明这件事。Anthropic 用 MRCR v2（8-needle）测了一组长上下文检索，任务是在超长文本里同时找多个藏起来的关键信息。
| Claude Opus 4.6 | 91.9% | 78.3% |
| Claude Sonnet 4.6 | 90.6% | 65.1% |
† GPT-5.4 的 256K 数据为 128K–256K 区间均值
上下文越长，差距越大。 256K 时几个模型还挤在一起，拉到 1M，GPT-5.4 掉到 36.6%，Gemini 3.1 Pro 掉到 25.9%，Claude Opus 4.6 还在 78.3%。不是 Claude 在短上下文里更强——是拉长之后别人扛不住，Claude 还在。
Claude Code 的 PM Boris Cherny 也在推上确认了一件事：
Opus 4.6 1M 现在是 Claude Code Max、Team、Enterprise 的默认模型，不用改任何设置。Pro 版和 Sonnet 用 /extra-usage 手动开启。
Anthropic 还引用了个客户案例：用上 1M 上下文之后，自动压缩事件减少了 15%。这跟我自己的体感对得上。我自己估，对长期迭代的复杂项目，这个价值至少等于模型能力提升 10%-20%。
API也取消溢价了
900K token 的请求和 9K token，现在一个价：
| Anthropic Claude | ✓ 无溢价，和短上下文一个价 |
OpenAI 收长度税，Anthropic 现在不收了。终于，上下文成了top模型的标配。理论上长上下文也确实不该是高级功能，本身就该是个模型基础能力。
Claude Code Max 用户（100 刀/月那档）更简单，1M 上下文直接就有，不用加参数，不用多付钱。
顺带还有两件事
更新 #1 图片 / PDF 上限 100 → 600 以前一堆 PDF 要手动拆批，现在一次喂进去。我每次写文章要整理十几张截图和参考资料，这个直接省了好几步。 | 更新 #2 Adaptive Thinking 转正式版 模型自己判断什么时候慢想、什么时候直接答，不用你手动配置推理深度。少了一层不必要的决策。 |
Context，Not Control.
AI 工具的进步有两种：模型变聪明，或者把已有的能力真正释放出来。1M 上下文 GA 是后者。但对于长期项目、复杂开发、以及被 compact 搞崩过的人，实际影响不比前者小。
费曼说过，背下来一个公式，和能自己从头推导出来，是两回事，重量完全不同。给模型喂答案，和给它喂能推导出答案的所有信息，也是两回事。后者更难，但结果更靠谱。
上下文窗口，决定了你能给它多少推导所需的信息。之前太小，你得做减法——剪掉那些「可能有用但放不进去」的东西。每次剪，都是在赌这段信息不重要。赌对了没感觉，赌错了，模型就在某个你看不见的地方犯了一个你找不出原因的错。
现在，你完全可以肆无忌惮去给模型投喂任何你觉得它该知道的信息了。
👇这个管理理念不止是在Netflix和字节，在大模型的使用和管理上也越来越有效了
Context，Not Control.
