中位输入大约是语料的 1%：阿里把长程上下文做成可执行会话

中位输入大约是语料的 1%：阿里把长程上下文做成可执行会话

阿里巴巴集团的 Scroll 不把更早的对话压成一份摘要再交给模型。它把一次会话做成可执行环境：原文留在日志里，模型写代码去查、去算，只有打印出来的结果才进入下一轮上下文。

一、为什么摘要和记忆库都会丢证据

长程任务会跨很多轮模型调用、工具返回和返工。窗口是有限的，而且模型能稳定利用的长度往往小于标称窗口。常见做法有两类。一类是压缩：截断旧片段、丢掉工具输出，或换成摘要。一类是外部记忆：事先抽出事实或情节，再用检索拿回来。

两类都在「还不知道以后要什么」的时候决定保留什么。后来如果要比对相距很远的两次工具输出，摘要里没有的细节就回不来，即便磁盘上还有原文。

Scroll（把会话历史放在模型窗口之外、用代码按需取回的上下文管理器）的做法是反过来：追加写入的 Event Log 保存带稳定序号的原文；一个跨调用还在的 Python 内核保存变量；模型用代码搜索、物化和计算；只有 print 的结果进入工作视图。快到预算时，旧片段被移出视图，但序号还在，可以再取回来。检索默认用 BM25（按词项统计排序、不调用嵌入模型的全文检索），论文给出的理由是确定、而且建索引时不用再调一次模型。

内核是失败即关闭的沙箱：日志对内核只读，数据库、文件、网络和工具只开放 harness 声明过的能力。

二、评测怎么摆

论文把问题拆成两截。

长期记忆用 LongMemEval（在跨会话历史里找证据并回答的基准）。Oracle 只有证据会话；S 大约 50 个会话、约 11.5 万 token；M 大约 500 个会话、约 150 万 token。BEAM（更长连贯历史上的记忆推理基准）做到 128K、500K、1M 和 10M token。10M 已经放不进当时的模型窗口。题目会要求收集不相邻证据、跟踪变化、去重或把分散事实加总。

行动用 LOCA（环境描述随工具输出变长、看智能体还能不能继续做事的基准）。论文只报最大的两档：128K 和 256K。

主实验骨干是 Qwen3.8-Max（通义千问这一代的旗舰模型）。上下文管理都跑在 QwenPaw（AgentScope 的智能体操作系统，负责工具调用和执行）上，再用 Harbor 接到基准给的环境。复现入口写在 QwenPaw 仓库的 scroll-research 分支。

模型看到的主要是两个动作：repl_exec 在持久内核里跑一段 Python，中间结果留在内核里；recall_history_python 绑上记忆接口，search 定位被移出窗口的记录，expand 把它们变成 Python 对象，过滤和聚合后再打印。全基准共用一套系统提示和上下文规则，没有 few-shot。记忆基准只加一小段数据布局和答案格式说明。LOCA 用基准自带任务说明，只补可用 API 和工作区路径。

记忆题按会话、按时间灌进 Scroll。每到会话边界就清空原始上下文，只把驱逐索引和 Event Log 带过去。LOCA 从基准给的初始环境开始，轨迹变长时由 Scroll 管上下文。

LongMemEval 报准确率，BEAM 报裁判分，裁判都是基准自带的 LLM-as-a-judge 提示，模型是 Qwen3.6-flash，温度为 0。LOCA 用规则核验最终环境状态，报准确率。除非另有说明，每题在基准容器里只跑一次、一个随机种子。同时记下面向模型的输入、输出 token 和交互轮数。

三、数字：同台和不同台要分开看

记忆系统对照截止 2026-08-15 的公开最好成绩，而且作者写明自己没有重跑基线，因为这一领域的独立复现经常在设置上对不上。表注也写明：这些是文献参照，不是控制变量后的对比，读题模型各行不同，会明显影响分数。

在这个前提下，Scroll 加 Qwen3.8-Max 在 LongMemEval S 为 94.8%。公开数字里 Exabase M-1 为 96.4%，Mastra OM 为 94.9%，Hindsight 为 94.6%，Mem0 为 94.4%。S 上它不是最高。BEAM 10M 为 73.1%，比表中最高的 Exabase M-1（68.0）高 5.1 分。摘要里「超过最好的已发表记忆系统 5.1 分」指的是 BEAM 10M，不是 LongMemEval S。

LOCA 上，四种回路共用 Qwen3.8-Max 和同一套工具，只改上下文怎么管：

同骨干下，Scroll 相对 CodeAct 在 256K 只高 1.4 个百分点，掉点更小。摘要里的另一句是：86.7% 比已发表的最好长程智能体高 37.4 分。那是相对 LOCA 论文和榜上的已发表数字，不是相对上面这张同骨干表。

换骨干、其余 harness、工具、提示和规则不动：LongMemEval S 上六家都在 88.8% 到 94.8% 之间，Qwen3.6-35B-A3B（激活参数更小的开源权重模型）也能到 88.8%。BEAM 10M 差距在 15 分以内（73.1% 对 58.1%）。LOCA 256K 拉开到 64 分：Qwen3.8-Max 86.7%，Kimi-K2.7 32.0%，35B 模型 22.7%。论文认为失败不在接口协议，而在执行错误和过早停止。

BEAM 10M 消融（仍是 Qwen3.8-Max，打开思考）：灌入时就改成摘要、丢掉原文，总分掉到 19.9，抽精确值、时间推理和知识更新接近 0。去掉持久内核、把搜索和展开改成普通工具调用，低 7.3 分；知识更新 92.5 对 82.5，指令遵循 97.5 对 76.3，单次查找差不多。去掉驱逐索引、只留关键词搜索，总分只低 1.8，但证据散落的题更明显：偏好遵循 89.1 对 74.9，摘要题 70.5 对 62.6，事件排序 64.1 对 58.1。

成本只报 token，不报时延和金额，因为后两者取决于部署。灌入阶段不再额外调模型。BEAM 10M 每题输入 token 的中位数是 10.5 万，大约是语料的 1%；输出比输入小一个数量级。LongMemEval S 和 BEAM 10M 量的是检索，LOCA 量的是做完整道题，所以轨迹更长。

附录里的失败例子包括：检索本身没问题，但跟的是错误的偏好轴；以及按位置抽样时漏掉会话中段的证据。

四、限制

记忆榜不能当成「同一模型、同一裁判、同一预算」的胜负。作者没有重跑基线，裁判又是 Qwen3.6-flash。每题一次，没有报方差。

同骨干时，长程行动的主要差距来自「把中间结果留在环境对象里」，Scroll 相对 CodeAct 的增量不大。弱模型会用这套接口，但长轨迹上的上限明显更低。

索引省下的总分有限，散落证据才看得到差别。有损摘要会把精确值题打穿，所以这套评测奖励「还能回到原文」，不奖励更短的摘要。

论文没有把沙箱逃逸或提示注入当成评测项。结论里的下一步是用前沿模型轨迹做监督微调或策略蒸馏，检索代码怎么写、哪些结果该打印回去，这两件事还没有在本文里测完。

出处：阿里，Yin Lin、Erkang Zhu、Bolin Ding、Jingren Zhou 等（Elaine Ang 实习于阿里巴巴集团），《Context as an Environment: Programmatic Context Management for Long-Horizon Agents》，2026-08-21，https://arxiv.org/abs/2608.21690