
長い文脈は要らない 論文 compaction|精度の変化−3.7〜+5.6pt、コスト6.5〜54.6倍は何の数字か。原文と付録の表を電卓で検算【11月9日時点】
11月3日(火。UTC の日付で、日本時間では4日未明)、arXiv に「You don't need long context」(長い文脈は要らない。arXiv:2611.05306)という論文が載りました。Hugging Face Papers の同じ番号のページは、組織を NVIDIA としています。AI エージェントの会話の履歴を何度も短く要約し直して(圧縮=compaction)文脈を短く保っても、作業の精度はほとんど落ちない、という報告で、Claude Code の /compact や /clear と地続きの話に見えます。
まとめサイト(aiweekly)は「精度の変化は −3.7〜+5.6 ポイント、コスト削減は 6.5〜54.6 倍、256K は 16K の 3.6〜7 倍」と要約し(本文は 6.5〜54.6 倍に「長い入力の作業で」と付けますが、Opus だけの試算であることは書きません。要旨を私が日本語にしたものです)、見出しは「3.6〜7倍のコスト削減、精度の低下は 3.7pp 未満」でした。原文を開くと、これは別々の実験の別々の「コスト」の数字で、範囲には +5.6 の上昇も含まれていました。
私は Claude Code と Codex を毎日使って、教材づくりや出品の自動化をしている個人です。機械学習の研究者ではなく、追試はしていません。arXiv の HTML 版と PDF を開き、付録の表を転記して電卓(Python)で検算しました。引用は英語の原文を私が日本語にしたものです。全文無料です。
この記事で分かること
論文が何を測り、何を主張しているか(原文で確認)
aiweekly の見出しの数字が、原文のどの実験の数字か(電卓で検算)
「コスト削減」が請求書の数字ではなく何の試算か(公式の価格ページと照合)
記事54(/compact と /clear の実測)との関係と、自分の条件に当てはめる試算
先に結論
論文は、arXiv の技術報告(コメント欄に Technical report. 31 pages, 8 figures)1本です。査読を通った記載も、第三者の再現も、私が読んだ範囲では見つかりません。「結論」ではなく一つの論文の主張です
−3.7〜+5.6 ポイントは、Claude Opus 4.5 の「長く続く作業」6種類・22設定の範囲です(アブストラクトにはなく、本文3章の数字)。GPT 5.6 Sol は −3.3〜+4.4。上がった設定も含み、「3.7 未満の低下」ではありません
6.5〜54.6 倍は、Opus 4.5 の「長い資料を読む」作業の試算です(本文4章。長く続く作業は 2.2〜8.8 倍)。「窓を絞ると 1 トークンの値段も下がる」仮定を掛けた値で、論文の表の定価で割り直すと、長い資料は 1.5〜18.5 倍、長く続く作業は 0.77〜1.76 倍でした
3.6〜7 倍は圧縮の節約ではなく、オープンウェイトの3モデルを H100 で動かして、窓を 256K から 16K に絞ると 1 秒に出せる出力が増える比です
公式の価格ページでは、Opus 5.5 と Sonnet 5.5 は 1M トークンの窓まで 1 トークンの単価が同じです。記事54の私の実測とは、モデル・道具・「費用」の意味が違い、裏付けとは言えません

経緯(時系列)
日時の基準: UTC。日本時間は +9 時間。各行の曜日は UTC の日付のもの(括弧内は日本時間)
11/03 (火) 18:17 UTC arXiv に v1 を提出(日本時間 11/04 (水) 03:17)
11/04 (水) 09:31 UTC aiweekly が要約記事を公開(元は huggingface.co と表示)
11/09 (月) 私が開いた。arXiv は v1 のみ。HF(Papers の Daily に11/04付)の upvotes は 21
HF のコメントは4件(返信を除く)。著者は読者の質問2件に短く返信(1件は付録の参照、もう1件は
「落ちた細部は、必要になった時点で同じ操作を繰り返せば取り戻せたはず」という趣旨。実験の記録ではなくコメント上の回答)。再現や反論はなし論文は何を言っているか(原文より)
アブストラクトの中心は、"On frontier open weight models, the disparity in cost may rise to as much as 7x."(最先端のオープンウェイトのモデルでは、トークン生成の費用の差が最大 7 倍になりうる)と、次の結びです。
"Our findings question the need for long-context language models."
(この結果は、長い文脈のモデルが要るのかを問い直す)
アブストラクトは「問い直す(question)」ですが、結び(§6)は "we conclude that long contexts are not necessary for the completion of “long-context” tasks"(「長い文脈」の課題をこなすのに長い文脈は必要ない、と結論する)と言い切っています。一方で、証拠は否定しない・証明するものでもない、という控えめな文も同じ結びにあります(後述)。比べた文脈の管理方式は3つです。
FHA(Full-History Accumulation):全履歴をためる普通のやり方。比較の基準
EoCC(End-of-Conversation Compaction):文脈がしきい値を超えたら、モデルに作業の状態を要約させ、「元の課題+要約」で新しい会話を始める。設定は「全体の上限 / しきい値」(例:48K/36K)
SAC(Single-Action Compaction):会話ごとに行動を1つだけ行い、状態を更新して、会話を捨てる。原文は "exactly one environment action"(環境への行動をちょうど1つ)と書きます
SSSM(Semantic State Space Model。意味の状態空間モデル)は、その延長の構想です。会話の状態を自然言語("explainable natural language")で持ち、毎回それを読んで次の行動を決め、結果を受けて更新するように、後から学習させたモデルのこと。アブストラクトも「outline(概略を述べる)」と書き、実際に学習して測った記述は、私が読んだ範囲では見つかりませんでした。
使ったものです。
主な実験のモデル:Claude Opus 4.5 と GPT 5.6 Sol。長く続く作業は SWE-bench Verified・Terminal-Bench 2.1・FRAMES など6種類、長い資料は LongBench v2・LOONG・NIAH・RULER など7種類
道具:bash を1つずつ実行する最小のループ(mini-swe-agent と mini-agent)。本文に Claude Code・Codex という語は出てきません(文字列で検索しました)
オープンウェイト:費用の図に GLM 5.2・Kimi K2.6・Qwen 3 Coder Next、端末(NVIDIA DGX Spark)の実験に Qwen 3.6 27B など5つ。冒頭のリンク先(NVIDIA の研究サイト)には、最先端の知能を端末で動かす目標があります
数字の検算
付録の表3〜8・11〜17を転記して、本文の範囲を再現できるか確かめました。
長く続く作業 6種類・22設定(EoCC)、精度の差 = 圧縮 - 全履歴(pt)
Opus 4.5 -3.7(FRAMES 24K/18K)〜 +5.6(Terminal-Bench 32K/24K) 論文と一致
GPT 5.6 Sol -3.3(FRAMES 24K/18K)〜 +4.4(SWE-bench Verified 48K/36K) 論文と一致
2pt より大きく下がった設定: Opus 1/22、GPT 5/22
長い資料を読む作業 7種類・10設定
Opus 4.5 -0.4(LongBench v2)〜 +40.0(NIAH 60.0 -> 100.0) 論文と一致
GPT 5.6 Sol +1.0(AA-LCR)〜 +30.9(RULER) 論文と一致(Counting-Stars は exact match の列、RULER は recall の列)論文の表には、費用が2種類あります。倍率は「全履歴の費用 ÷ 圧縮の費用」です。
論文の「試算」 表の「定価」で計算
長く続く Opus 4.5 2.23〜8.82倍 0.77〜1.76倍(22設定中7設定は圧縮のほうが高い)
長く続く GPT 5.6 Sol 2.39〜4.98倍 0.54〜1.02倍(22設定中21設定は圧縮のほうが高い)
長い資料 Opus 4.5 6.52〜54.41倍 1.48〜18.50倍
長い資料 GPT 5.6 Sol 4.39〜233.33倍 0.88〜70.00倍論文の本文の倍率(長く続く Opus 2.2〜8.8、GPT 2.4〜5.0。長い資料 Opus 6.5〜54.6、GPT 4.4〜233.3)は、すべて「試算」の列と合います(54.41 と 54.6 の差は丸めか、論文は書いていません)。「試算」の中身も再現しました。
試算 = 定価 × f(W) f(W) = 0.20 + 0.80 × (W - 16K) / (Wmax - 16K)
Opus SWE-bench Verified 48K/36K: 定価 20.0×$5 + 334.7×$0.50 + 4.5×$25 = $379.85(表と一致)
試算 379.85 × 0.3391 = 128.82(表は 130.20、差 -1.1%)
倍率の分解(Opus)
SWE-bench Verified 16K/12K 定価で 1.34倍 ÷ f=0.200 → 試算 6.72倍(単価が窓に連動する仮定の分 5.00倍)
AA-LCR 32K/24K 定価で 1.76倍 ÷ f=0.270 → 試算 6.52倍(仮定の分 3.71倍)論点1:aiweekly の見出しの数字は、原文のどの数字か
「3.6〜7倍のコスト削減」:原文の 3.6〜7 倍は、圧縮で減った費用ではありません。図4の説明は、オープンウェイトの3モデルを H100 で動かして、設定する窓を 256K から 16K に絞ると、同じ GPU で1秒に出せる出力が GLM 5.2 で 3.6 倍・Kimi K2.6 で 5.6 倍・Qwen 3 Coder Next で 7 倍になる、という測定です。Claude や GPT の運用費は測っていません。aiweekly 本文の "on frontier models" は、原文(frontier open weight models)より広い書き方です
「精度の低下は 3.7pp 未満」:原文は「−3.7〜+5.6 ポイント」。−3.7 は FRAMES での最大の下がり幅で、+5.6 の上昇も範囲に入ります。Opus 4.5 の長く続く作業・EoCC だけの範囲でもあります。原文は、範囲だけだと下がり幅が実際より大きく見えると注意しています。ここでの要点は、範囲に +5.6 の上昇も含まれることです
"The ranges are somewhat deceiving when considered by themselves, however: for either model, no more than 5 out of 22 threshold configurations lose more than 2ppts of the baseline."
(しかし範囲だけを見ると誤解のもとになる(下がり幅が大きく見える)。どちらのモデルも、22のしきい値設定のうち 2pt より大きく下がるのは 5 以下)
3)「6.5〜54.6倍」:Opus 4.5 の長い資料を読む作業の範囲です(GPT 5.6 Sol は 4.4〜233.3 倍)。資料を丸ごと貼らず、必要な所だけ読む「選択読み」の効きが大きく、原文も、選択読みと窓を絞ったことの両方の結果と書いています
4)「EoCC と SAC の2方式で、その範囲」:範囲は EoCC の数字です。SAC は表2で別に、GPT 5.6 Sol が SWE-bench Verified で 84.4%→82.4%、Terminal-Bench で 87.6%→84.3% でした(Opus 4.5 は同じ表で 70.0%→70.2%、47.2%→51.8% で、維持か上昇です)
5)要約に出てこないもの:端末向けのオープンウェイトの実験では、16K/12K で SWE-bench Verified の成績が全モデルで下がり(−3.6〜−49.4pt)、Qwen 3 Coder Next は 53.0% から 3.6% に崩れました(原文は "catastrophically collapses")
論点2:「コスト」は請求書の数字か
論文の表の費用は2種類です。「nominal retail cost(定価)」は、使ったトークン数に公開の API 単価を掛けた額(Opus 4.5 は新規入力 $5・キャッシュ読み $0.50・出力 $25 / 100万トークン)。「estimated optimized retail cost(試算)」は、同じトークン数に「窓を絞ったら単価が下がる」係数 f を掛けた額です。
f は、基準の窓(論文は Opus 4.5 を 200,000、GPT 5.6 Sol を 272K とします)の標準単価に対して、窓 16K の単価を 0.20 倍とし、その間を窓の大きさに比例して補間します。0.20 は、256K と 16K の測定比の平均で、オープンウェイト3モデルの測定の平均 0.1996 を丸めた値で、それを Claude と GPT にそのまま当てはめています。本文の 2.2〜8.8 倍や 6.5〜54.6 倍は「試算」の列です。論文の序章は、小売のトークン価格は文脈の長さにかかわらず固定で示される、と書きます。公式の価格ページ(11月9日に開きました)も同じです。
"A 900k-token request is billed at the same per-token rate as a 9k-token request."
(90万トークンの要求は、9千トークンの要求と同じ1トークンあたりの料金で請求される)
これは Claude 4.6 以降のモデル(Haiku 5.5 を除く)の記述です。100万トークンあたり、Opus 5.5 は入力 $4・出力 $20・キャッシュ読み $0.20、Sonnet 5.5 は $2・$10・$0.10。Haiku 5.5 だけは、プロンプトが 100,000 トークンを超えると、入力 $0.10→$0.50、キャッシュ読み $0.01→$0.05 に上がります。つまり Opus 5.5 や Sonnet 5.5 では、「単価が窓に連動する」仮定の分は請求に現れず、効くのは「使うトークンの数が減るか」だけです。論文の定価の列が、それに近い数字です。
その定価の列では、長く続く作業で圧縮のほうが高くなった設定が、Opus 4.5 は22中7、GPT 5.6 Sol は21ありました。本文の "generally not the case"(やり直しで節約が消えることは一般にはなかった)が、どの費用の話かは書かれていません。
ほかに2点です。OpenAI の価格ページの gpt-5.6-sol は $4・$20・キャッシュ入力 $0.40 と論文と同じでしたが、"promotional pricing is available until November 30, 2026"(販促価格は11月30日まで)の注記がありました。また、このページには入力 272K を境にした Short/Long の切り替えがあり、ページの埋め込みデータでは gpt-5.6-sol の Long は入力 $8・出力 $30(Short は $4・$20)でした(表示された画面は見ていません。論文が GPT の基準を 272K としているのと合います)。また、論文の Opus は 4.5 で、価格ページでは 4.7 以降が新しいトークナイザー(同じ文章で約30%多いトークン)です。
論点3:言い切れること・言い切れないこと
言い切れること
論文の設定(最小の道具、1課題を自動で最後まで解く作業、Opus 4.5 と GPT 5.6 Sol)では、圧縮を入れても成績が大きく崩れなかった設定が多い。同じか上がった設定は、Opus 12/22、GPT 10/22
長い資料は、必要な所だけ読ませる方が、成績も定価もよい設定が多い。ただし著者自身が、NIAH は探す語が質問と重なり見つけやすい、と書いています
言い切れないこと
"Our evidence does not rule out the existence of tasks for which long context is beneficial, nor does it prove that every possible task can be solved with short context."
(我々の証拠は、長い文脈が有益な課題の存在を否定せず、あらゆる課題が短い文脈で解けると証明するものでもない)
Claude Code の /compact や自動圧縮の結果ではありません。論文の圧縮は著者らの仕組みで、Opus 5.5・Sonnet 5.5 や新しい GPT でも測っていません
人が途中で指示を足す使い方は測っていません。付録Aも、その場合は人の次の指示に関係しそうな情報まで残す必要があると書きます
圧縮が情報を落とす("Compaction is a lossy context compression method.")ことは認め、記録を残して必要なときに読み出す仕組みで補える、と論文は主張します。足りるかは、私には判断できません
記事54の私の実測との関係
記事54で私が測ったのは次のとおりです(Haiku 5.5、Claude Code 2.1.306、画面なしの claude -p、10月23日。費用は total_cost_usd で、API の定価による見積もり)。同じ依頼を20回続けると、1回の費用は2回目の $0.00148 から20回目の $0.00291 に約2倍(1.97倍)になり、キャッシュからの読み取りは 83,514 から 229,040 トークン(2.74倍)に増えました。/compact した会話の次の1回は $0.00151、続けた会話は $0.00251。ただし圧縮の直後の1回目は $0.00528 と割高で、5〜7回続けて元が取れる計算でした。
論文との違いは、次の4つです。
モデル:記事54は Haiku 5.5 だけ。論文の主な実験は Opus 4.5 と GPT 5.6 Sol
道具:記事54は Claude Code の /compact。論文は著者らの圧縮の指示文を mini-swe-agent に付けたもの
費用の意味:記事54は定価による1回ごとの費用。論文の 3.6〜7 倍は GPU の運用費の比、6.5〜54.6 倍は単価が窓に連動すると仮定した試算
仕事:記事54は、20個のメモを読んで数字を答える単純な依頼。論文は、1つの課題を最後まで解く作業
そのうえでの、私の読みです。
記事54の「約2倍」は、定価のまま、会話が長いと読み直す量が増える数字です。論文の 3.6〜7 倍は定価に現れない費用の差の話なので、論文が私の実測を裏付けたとは言えません
共通して見えるのは、圧縮が「いつも得」とは限らない点だけです。記事54は5〜7回続けないと元が取れず、論文の表の定価でも、圧縮のほうが高い設定が多くありました。測り方が違い、同じ結論とは呼べません
記事54で圧縮後に答えられなかった細部(4問中0問)は、論文の "lossy" と同じ種類の注意に見えます。「決めたことはファイルや CLAUDE.md に書き出してから圧縮する」という記事54の勧めは、論文の「記録を残して読み出す」と考え方が近く見えます
読者にとっての意味:自分の条件で試算する
実例1:圧縮すると、読み直しがどれだけ減るか(仮定の試算)
架空の使い方の試算です。数字は変えて試せます。最初の文脈・増える量・圧縮後・読み直しの回数は記事54の実測から借り、圧縮する大きさと要約の長さは私の仮定です。単価は公式の価格ページ(11月9日)の値です。違いが出る「読み直し」と「圧縮そのもの」だけを数えた API の定価の計算で、サブスクリプションの枠の減り方とは別です。
CALLS, TURNS = 3, 90 # 1回の依頼で読み直す回数(記事54)、依頼の回数
START, GROW, AFTER = 26_000, 2_600, 27_000 # 最初の文脈、1回で増える量、圧縮後(記事54の実測)
LIMIT, SUMMARY = 80_000, 5_000 # 圧縮する大きさ、要約の出力トークン(仮定)
def price(ctx): # (キャッシュ読み, 出力, 書き込み5分) の $/MTok。Opus 5.5。公式の価格ページ 2026-11-09
return 0.20, 20.0, 5.0
# Haiku 5.5 なら: k = 5 if ctx > 100_000 else 1; return 0.01 * k, 0.5 * k, 0.125 * k
def run(compact):
ctx, read, cost, n = START, 0, 0.0, 0
for _ in range(TURNS):
if compact and ctx >= LIMIT:
hit, out, _ = price(ctx)
cost += (ctx * hit + SUMMARY * out) / 1e6 # 要約を作る1回
ctx = AFTER
cost += ctx * price(ctx)[2] / 1e6 # 圧縮後の文脈の書き直し
n += 1
cost += CALLS * ctx * price(ctx)[0] / 1e6 # 毎回の読み直し
read += CALLS * ctx
ctx += GROW
return read, cost, n
r0, c0, _ = run(False)
r1, c1, n = run(True)
print(f"圧縮なし {r0/1e6:.1f}M トークン ${c0:.2f} / 圧縮あり {r1/1e6:.1f}M ${c1:.2f}(圧縮{n}回)"
f" → 読み取り {r0/r1:.2f}倍、費用 {c0/c1:.2f}倍")実行結果です。
圧縮なし 38.3M トークン $7.65 / 圧縮あり 13.9M $3.78(圧縮4回) → 読み取り 2.75倍、費用 2.02倍トークン数の比は 2.75 倍でも、費用は 2.02 倍です。圧縮のたびに、要約の出力と文脈の書き直しがかかるためです。price をコメントの Haiku 5.5 の式(100,000 超で単価が5倍)に替えると、費用は 1.70 ドルと 0.17 ドルで 10.23 倍になりました。どのモデルかで、圧縮の効きが変わります
論文の式を借りて(ここでは Wmax を 256K と仮定。論文どおり Opus の基準を 200,000 にすると比は約 4.2 倍)、圧縮ありの費用に f(80,000)=0.413 を掛けると、比は $7.65 ÷ ($3.78 × 0.413) ≒ 4.9 倍。定価のままの 2.02 倍との差が、「単価が窓に連動する」仮定の分です
条件を変えた私の確認:書き込みを1時間の単価 $8 にすると 1.86 倍、圧縮する大きさを 200,000 にすると 1.38 倍。依頼が20回までは圧縮に届かず 1.00 倍、40回で 1.24 倍
実例2:/compact に渡す指示の下書き(試していません)
論文の付録Aは、精度が保てた圧縮の中身を、課題の原文のほぼそのままの写し・いまの作業と次の手順・これから先に直接関係する成果物の3つにまとめます。付録 G.1(mini-swe-agent 用)の指示文が残す6項目(目的・確認できた事実・加えた変更・確認・行き止まり・残りの計画)をもとに、私が下書きしました。
/compact 次の6つを必ず残して。1. 目的(1行) 2. 確認できた事実(パス・コマンド・数字) 3. 変更したファイルと、確認したか 4. 試した確認とその結果 5. 試して駄目だったこと 6. 残りの手順と、終わりの条件私はこの指示を Claude Code で試していません。 効果は分かりません。試すなら、圧縮の前に決めたことを3つ書き出し、圧縮の後にファイルを読ませずに聞き直します(記事54と同じ確かめ方)。
次に見ること
arXiv の v2、HF のコメント欄、著者のより詳しい説明
第三者の追試。特に、Claude Code や Codex の実際の圧縮と、Opus 5.5 など新しいモデルでの測定
価格ページの変更。長さで単価を分けるモデルが増えるか(OpenAI のページには 272K を境にした切り替えがあります)。GPT-5.6 Sol の販促価格が終わる11月30日以降の単価
確かめたこと・確かめていないこと
確かめた:arXiv の概要ページ、HTML 版と PDF の本文・付録、HF Papers のページ、プロジェクトページの冒頭、aiweekly の記事、Anthropic と OpenAI の価格ページ(11月9日)、付録の表の転記と検算
確かめていない:論文の実験の再実行(表の数字そのものの正しさ)、図のグラフの値、査読の有無、OpenAI の Long の単価の表示画面、/compact の中身が論文の圧縮と同じか、サブスクリプションの枠の減り方
数字は11月9日時点です。費用の試算は仮定を置いたもので、あなたの請求額ではありません
まとめ
11月3日の論文は、圧縮で文脈を短く保っても、試した設定では成績がほぼ保てたと報告しています。一つの技術報告で、第三者の再現は見つかりません
−3.7〜+5.6 ポイントは Opus 4.5 の長く続く作業だけの範囲、6.5〜54.6 倍は単価が窓に連動する仮定の試算、3.6〜7 倍は GPU の運用費の比。見出しの数字は別々の実験でした
表の定価で計算し直すと、長く続く作業では圧縮のほうが高い設定が多くあります。次の一歩は、実例1のコードの数字を自分の使い方に変えて、1回走らせることです
出典
次に読む
Claude Codeの/compactと/clearの違い(無料):20ターンを実測した、費用と圧縮後に残るもの
CLAUDE.mdが長いと使用量は増える?(無料):毎回読み込まれる量と、短くする方法
METR×Anthropic AI研究開発の加速は1.9倍?(無料):原文の数字を電卓で検算した例
Claude Code テンプレート集(¥9,800):CLAUDE.md・スキル・フック・自動化の実物パック
このアカウントをフォローすると、AI まわりの新しいニュースの整理や、論文・報道の数字を電卓で検算する記事、Claude Code・Codex の手順の記事が届きます。ぜひフォローしてください。
この先で分かること(今後の有料記事)
自分の Claude Code・Codex の会話ごとに、読み直しのトークンと費用を自動で記録して、どこで圧縮すると得かを見つける仕組み(設計とコード)
/compact に渡す指示文を残す項目ごとに作り、圧縮の前後で答えが変わらないかを確かめるチェックリスト
論文やニュースの「倍率・範囲」を、出どころごとに台帳にして、Claude Code に照合させる指示文
まさのAI実務ラボ|Codex・Claude Code では、有料記事が読み放題になります。テンプレートや指示文をまとめて使いたい方はご覧ください。