AI 资源库 · 已整理 4 项
查看与长上下文相关的 AI 资讯、工具、Skill、工作流和开源项目。
xgenadam/multistep_reasoning · A reasoning harness for LLM's
该项目是一个 Python 库，把单条用户提示拆分为多个子任务，分别执行后合并为一个可修订的 Document。每轮遵循 decompose → execute → compose → render 流程，后续子任务不接收完整文档，而是通过大纲、滚动摘要和可查询的 DocumentOracle（列出、读取、搜索、提问）获取上下文，使模型在输出前可以回改先前内容。项目目标是让长任务处理超出单次上下文窗口的材料。仓库还包含 oobabooga 聊天扩展（当前已知启动问题）、单元测试与 journal 记录；模型端点无默认值，需显式配置。
Meta 在 10 月 12 日发布了 Muse Wonder，主打个人和专业 agent 任务，还号称在自研记忆测试 MemoryBench 上拿第一，完整版在 DeepSWE 等编程测试中领先。作者拿标准版和 Anthropic 的 Claude Fable 5.1 比了三项硬任务：修 agent 缺陷、排查故障、长对话记忆。价格上 Muse Wonder 每百万 token 输入 4 美元、输出 20 美元，比 Fable 5.1 的 10/50 便宜六成，但实测中它用的 token 几乎多一倍，三次总花费反而更高（2.24 对 1.85 美元）。成绩互有胜负：故障排查都满分，修缺陷 5/6 对 6/6，记忆测试 Muse 25/25 而 Fable 因被自己的“网络安全”过滤器误拦、50 轮里拒绝 34 轮而拿 0 分。作者只跑了一轮、用默认推理档，结论仅供参考；Muse Wonder 完整版只在 Muse Code 最高订阅档开放。
subquadratic-ai/decision-longctx-evals · Evaluating long-context retrieval and reasoning for decision models
该项目为“决策模型”（读取状态并对固定选项集返回概率、而非生成文本的模型）提供两套长上下文评测：Decision RULER 包含 11 个合成任务（针检索、变量追踪、词计数），以多选题决策形式覆盖 64K 至 1M token；Decision LCR 基于真实文档（每份约 100K token）的 100 道多选题。项目提供 pip 安装的 dlce 命令行工具，通过向自定义 HTTP 端点发送包含 state、question、options 的请求并接收每个选项的概率来运行评测，支持并发、多端点分发、断点续跑，并按任务平均分（RULER）或全对准确率（LCR）计分，输出逐决策的 JSON 记录。该评测是 RULER 与 AA-LCR 面向决策模型的原则性改编，分数与原基准不可直接比较。
旧金山初创公司 Subquadratic 发布了一款叫 SubQ Snap 的决策模型，专门从固定答案里挑选项，比如帮 AI 代理决定下一步用哪个工具、该看哪些文件。以往这类决策模型只能装下 3.2 万字的上下文，信息一多就得切块或改用更贵的大模型；Snap 用自家稀疏注意力架构把窗口临时扩到 38.4 万字，能一口气看完整个代码库和日志。公司内部测试显示，它在长文本检索和多文档推理等多项对比中超过先行者 Jev，但目前只是公开预览，算力受限暂不能开放百万级窗口，所有成绩也都未经外部复核。