Meta开源上下文语言模型CLM，模型自主改写自身上下文

Meta超级智能实验室（Meta Superintelligence Labs）联合华盛顿大学、麻省理工学院与Trillium Labs，于10月1日公开了上下文语言模型（Context Language Models, CLM）的论文与代码（arXiv:2609.37725）。核心想法很简单：传统语言模型的上下文是一条只能追加的对话记录，模型既不选也不改；CLM则把实时上下文镜像成一个文件，模型可以用普通Bash命令自由改写它，改写结果在下一次推理前同步回上下文。

论文用四个合成任务（保留指定行、维护数独盘、键值存储、日志归类）先把上下文管理从推理能力中剥离出来测试。开箱即用的CLM在BrowseComp-Plus深度研究基准上比现有最优上下文管理方案准确率高一成多（11.4%），同时少花21.5%算力；在一项12小时的软件优化任务上，以少59%的算力取得高5%的得分。用在线强化学习训练的90亿参数版本，在BrowseComp-Plus上从28.8%提升到42.5%，算力反而少12%。

CLM还顺带改写了推理服务的成本结构。论文配套的后缀缓存复用（Suffix Cache Reuse）在同等准确率下比标准SGLang少花35%的服务端算力，对普通聊天服务同样有效。更值得注意的是涌现行为：模型自己发明了记分牌来调度子智能体、自建笔记角色、复用compact_turns辅助函数——这些策略没有人硬编码，是模型在训练中学到的。

上下文管理一直是长任务与多智能体的痛点：压缩太狠丢信息，检索太频拖延迟。CLM把这部分职责从外部编排器下放到模型自身行为，呼应了苦涩的教训——少做手工工程，让模型自己搜索更好的办法。代价是安全：一个模型可写的上下文，成了提示注入跨轮持久化的新攻击面，生产部署需要编辑审计与回滚。作为开源模型方向的新尝试，它与近期多家机构的轻量决策模型、智能体框架形成互补。