研究與評測
研究團隊提出 Context Language Models (CLMs)：模型原生管理上下文，BrowseComp-Plus 準確率升 11.4%
Hacker News單一來源
尚未逐項核實
目前依單一來源整理，這是來源數量描述，不是對消息真假的判定。
據最新論文指出，研究團隊提出 Context Language Models (CLMs) 新架構，讓語言模型能原生管理自身的上下文。該方法將上下文視為一個檔案，允許模型進行無限制更新，使其自行學習應保留的重要資訊，並可自然延伸至多個代理上下文共存的多代理（agent）系統。
在 Zero-shot 測試中，CLMs 表現超越現有的 SOTA 上下文管理策略：於 BrowseComp-Plus 任務中準確率提升 11.4% 且 FLOPs 減少 21.5%；在 12 小時的 EdgeBench 測試中分數提升 5% 且 FLOPs 減少 59%；在 24 小時多儲存庫 agent-swarm 任務中，同等算力下效能提升 65%。
CLMs 將上下文管理從外部控制轉為模型內在行為，可透過自然語言指令引導，在上下文管理任務中將保留準確率提升達 35.9 分。此外，研究導入線上強化學習方法，使 Qwen3.5-9B 在 BrowseComp-Plus 的效能提升 47.6% 且 FLOPs 減少 12%；同時針對 CLM 部署共同設計了 Suffix Cache Reuse 技術，在同等效能下較標準 SGLang 減少 35% 的伺服器端運算量。
讀原始報導社群討論
社群對 Context Language Models 解決上下文管理難題感到興奮，特別是發現忽略常規 caching 規則並保留無效 cache suffixes 竟不會損害效能。然而，許多人質疑讓主模型自行管理 context 會消耗寶貴的 attention 資源與 tokens。多數開發者建議應採用獨立的 hypervisor agent 或共同訓練的模型來專職管理（如同 LLM 的 MMU 或資料庫），這也與目前依賴 handover notes 的實務工作流不謀而合。