{ "title": "Claude 4的200K上下文真能实战？编程性能实测存疑", "content": "看完Claude 4的发布消息，我第一反应是兴奋，但细想后有几个技术点想和大家探讨。首先，200K token上下文窗口确实亮眼，但个人经验里，长上下文模型的‘有效注意力’一直是个坑——很多模型在长文本末尾的召回率会断崖式下跌。Anthropic这次有没有公布具体的‘检索准确率’或‘位置偏差’数据？如果没有，那200K可能只是纸面参数。其次，编程和数学超越前代，我好奇他们用的基准测试是HumanEval还是更难的SWE-bench？如果是HumanEval，那很多模型已经接近饱和，边