--- title: "Context Language Models vs. Kompaktierung: Was testen?" canonical: https://wavect.io/de/blog/context-language-models-vs-compaction/ language: de description: "Metas Context Language Models: Kontextdatei, Harness-Kontrollen, Cache-Zielkonflikte, nichtkommerzielle Lizenz und ein konkreter Plan für den Pilotversuch." image: "https://wavect.io/img/blog/headers/header_context-language-models-vs-compaction.png" --- [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min Lesezeit · 2. Okt. 2026 Zuletzt geprüft 2. Oktober 2026 [**Weiter**](/de/blog/agent-harness-engineering/) # Context Language Models vs. Kompaktierung: Was testen? TL;DR Context Language Models lassen Modelle ihren aktiven Arbeitskontext bearbeiten. Die Referenzimplementierung nutzt weiterhin einen Harness mit geschützten Anweisungen, Budgetkontrollen und Änderungsvalidierung. Kontextbearbeitung ist keine persistente Erinnerung und verändert für sich genommen keine Modellgewichte. Der geprüfte Code verwendet CC BY-NC 4.0, keine uneingeschränkte Lizenz für kommerzielle Nutzung. Vergleichen Sie die neue Strategie mit Ihrer Kompaktierung anhand zurückgehaltener Aufgaben, Belegerhalt und Gesamtkosten. Testen Sie Suffix Cache Reuse separat: Aus der Löschung sichtbaren Texts folgt keine nachgewiesene Entfernung aus dem Cache-Zustand. Ein Agent, der seinen Arbeitskontext bearbeiten kann, ist interessanter als ein Agent mit einem größeren Notizbuch. Er kann entscheiden, welche erfolglosen Suchen verschwinden, welche Bedingungen erhalten bleiben und wann er seinen Zwischenplan überarbeitet. Die entscheidende Frage für die Entwicklung lautet: Verbessern diese Entscheidungen den Ablauf so weit, dass sich die bisherige Kompaktierungsstrategie ersetzen lässt? **Context Language Models (CLMs) stellen dem Modell seinen aktiven Kontext als bearbeitbaren Text zur Verfügung.** Nicht mehr jede Entscheidung über die Kontextverwaltung liegt damit im Anwendungscode. Die Forschungsarbeit entstand unter Beteiligung der University of Washington, Meta Superintelligence Labs, MIT und Trillium Labs. Die arXiv-Einreichung datiert auf den **29. September 2026**, nicht auf einen unspezifischen Veröffentlichungstag im Oktober. [Die Veröffentlichung und ihre Historie dokumentieren Forschung und Datum](https://arxiv.org/abs/2609.37725v1). Das ist nicht das **Contrastive Language Model CLM-8B**, das mögliche Aktionen bewertet. Dieses andere System behandeln wir im [Leitfaden zu CLM-8B, Self-Hosting und Verifiern](/de/blog/clm-8b-self-hosting-action-cache-verifier/). Quellen geprüft am 2. Oktober 2026. Codeverweise beziehen sich auf `18dc11115f50f261233c5bba7937834491e307e8`. Dies ist eine quellenbasierte technische Bewertung, kein Wavect-Benchmark und keine Behauptung, dass wir CLMs bei einem Kunden eingesetzt haben. ## Was haben Meta und die beteiligten Forschungsteams veröffentlicht? Die Veröffentlichung umfasst einen Harness zur Kontextbearbeitung, die Verbesserung von In-Context-Skills, Code für Reinforcement Learning und eine Serving-Optimierung namens Suffix Cache Reuse. Sie ist nicht einfach eine neue Modellarchitektur, durch die vorhandene Infrastruktur überflüssig wird. [Das versionierte Repository beschreibt die veröffentlichten Komponenten](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/README.md). Der Vergleich mit einem Notizbuch hilft nur begrenzt. Ein gewöhnlicher Notizblock ergänzt die Unterhaltung. Hier können Änderungen das Gesprächsmaterial verändern, das in nachfolgende Modellaufrufe eingeht. Es handelt sich um einen bearbeitbaren Arbeitsbestand, nicht um die Erlaubnis, Berechtigungen oder die tatsächliche Ausführungshistorie umzuschreiben. Bei einem Rechercheagenten sollte dieser Arbeitsbestand aus unserer Sicht die Frage, offene Widersprüche und Verweise auf Belege erhalten, während wiederholte Suchausgaben entfallen. Bei einem Coding-Agenten sollten der fehlgeschlagene Test, relevante Codestellen und erfolglose Lösungsversuche erhalten bleiben. Das sind vorgeschlagene Erhaltungsziele, keine automatischen Eigenschaften jedes CLM-Durchlaufs. Die Veröffentlichung beschreibt außerdem Agenten, die eigene Tracker und wiederverwendbare Hilfsfunktionen zur Kompaktierung anlegen. Darin liegt der interessante Ansatz: Kontextverwaltung kann aufgabenspezifisches Verhalten werden, statt eine immer längere Liste manuell geschriebener Löschregeln. Die beobachteten Verhaltensweisen sind Beispiele, keine Garantien für andere Modelle oder Aufgaben. Siehe die [Beispiele zur Kontextbearbeitung in der Veröffentlichung](#source-paper). ## Wie funktioniert die bearbeitbare Kontextdatei? Der Referenzagent `ClmAgent` verwendet Harbor. Vor einem Befehl spiegelt er bearbeitbare Gesprächsschritte nach `/tmp/.live_ctx/LIVE_CTX_MAIN.txt`. Das Modell kann die Datei mit üblichen Shell-Werkzeugen bearbeiten. Der Harness liest Änderungen wieder als Nachrichten ein, hält System-Prompt und ursprüngliche Aufgabe jedoch fest. Dazu kommen Token-Hinweise, eine Änderungsprüfung und die Wiederherstellung bei Kontextüberschreitung. [Die Harness-Dokumentation beschreibt Spiegeldatei, geschützten Anfang und Ablauf](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_harness/README.md). Das ist eine andere Arbeitsteilung, nicht der Wegfall des Harness. Das Modell wählt aus, was erhalten bleibt. Software muss weiterhin entscheiden, welche Änderungen gültig sind, welche Werkzeuge laufen dürfen und wann die Ausführung endet. Unser [Leitfaden zu Agent Harness Engineering](/de/blog/agent-harness-engineering/) behandelt diese umfassendere Laufzeitverantwortung. Eine modellgenerierte Zusammenfassung mit dem Satz „Die Freigabe wurde erteilt“ darf keine Freigabe erzeugen. Berechtigungen gehören in vertrauenswürdigen Anwendungszustand außerhalb bearbeitbarer Notizen. Ebenso darf eine überarbeitete Beschreibung eines fehlgeschlagenen Tests nicht dessen tatsächliches Ergebnis ersetzen. Für folgenreiche Aktionen braucht es eine unabhängige Aufzeichnung. **Kontextbearbeitung verändert keine Modellgewichte.** Der In-Context-Learning-Ansatz des Projekts kann eine `SKILL.md` weiterentwickeln, während Gewichte und Harness unverändert bleiben. Reinforcement Learning ist ein separater Weg. [Die Implementierung der Skill-Evolution trennt diese Mechanismen ausdrücklich](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_icl/README.md). „Die Regeln liegen in den Gewichten“ beschreibt deshalb ein mögliches Trainingsergebnis, nicht jeden Vorgang beim Bearbeiten einer Datei. ## CLMs im Vergleich zu Kompaktierung, Memory-Dateien und RAG Eine Ablöseentscheidung sollte jeweils eine einzelne Ebene betreffen. Serverseitige Kompaktierung kann ältere Gesprächsschritte automatisch oder auf Anforderung der Anwendung zusammenfassen. Sie ist nicht zwangsläufig ein einfaches Skript mit starrem Schwellenwert. [Anthropic dokumentiert automatische und angeforderte Kompaktierung](https://platform.claude.com/docs/en/build-with-claude/compaction). Persistentes Memory ist eine weitere Ebene: Beim Memory-Tool implementiert die Anwendung die Speicherung über Unterhaltungen hinweg. [Die Memory-Tool-Dokumentation beschreibt diesen eigenständigen Persistenzvertrag](https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool). | Mechanismus | Aufgabe | Frage für den Pilotversuch | | --- | --- | --- | | Context Language Model | Material im aktiven Arbeitskontext auswählen und bearbeiten. | Erhält die gezielte Überarbeitung die für die Aufgabe benötigten Fakten? | | Kompaktierung | Gesprächsmaterial verdichten, damit die Arbeit weitergehen kann. | Bewahrt die Zusammenfassung ausreichend Informationen bei geringerer betrieblicher Komplexität? | | Persistentes Memory | Ausgewählte Informationen über Sitzungen hinweg erhalten. | Wer darf sie schreiben, abrufen, korrigieren und ablaufen lassen? | | Retrieval / RAG | Relevante externe Belege in den Arbeitskontext holen. | Lässt sich die Antwort weiterhin auf eine maßgebliche Quelle zurückführen? | Diese Aufgaben können nebeneinander bestehen. Ein Agent mit bearbeitbarem Kontext kann weiterhin Retrieval und dauerhafte Speicherung benötigen. Ersetzen Sie nicht Ihren Dokumentenindex, nur weil das Modell eine Werkzeugausgabe kürzen kann. Unser [Vergleich von RAG, Fine-Tuning und Long Context](/de/blog/rag-vs-finetune-vs-longcontext-2026/) behandelt die übergeordnete Architekturentscheidung. Der [OpenViking-Review](/de/blog/openviking-agent-memory-review/) untersucht ein separates dateisystemorientiertes Memory-System. ## Was belegen die CLM-Benchmarks? **Die Ergebnisse rechtfertigen einen anwendungsspezifischen Versuch, kein universelles Upgrade.** Die folgenden BrowseComp-Plus-Werte stammen von den Autoren, nicht aus unseren Messungen. Details stehen in den [Experimenten und Tabelle 2 der Veröffentlichung](#source-paper). | Experiment | Berichtetes Ergebnis | Einordnung | | --- | --- | --- | | Qwen3.6-27B, 32K Kontext, maximal 100 Gesprächsschritte | 59,4% Genauigkeit; 11,4% relative Verbesserung und 21,5% weniger Prefix-Reuse-FLOPs gegenüber der stärksten Zusammenfassungsbaseline. | Ein Ergebnis für dieses Modell, diese Aufgaben und diese Rechenkostenmessung. | | Qwen3.5-9B, vor dem Training | CLM: 28,8% Genauigkeit. Zusammenfassungsbaseline: 34,7%. | Kontextbearbeitung ohne zusätzliches Training war hier schlechter. | | Qwen3.5-9B, nach RL | CLM: 42,5% Genauigkeit. Zusammenfassungsbaseline: 42,1%. | Training verändert den Vergleich. Das trainierte Ergebnis ist kein Beleg für sofortige Verbesserungen ohne Anpassung. | Eine relative Prozentangabe ist kein Gewinn in Prozentpunkten. FLOPs sind weder Eurobeträge noch Gesamtlatenz oder vollständige Betriebskosten. Wir würden erfolgreiche Ergebnisse unter vergleichbaren Bedingungen gegenüberstellen und dabei fehlgeschlagene Durchläufe sowie Wiederherstellung berücksichtigen. Ein kürzerer Kontext ist keine sinnvolle Optimierung, wenn er genau die Information vergisst, von der die Korrektheit abhängt. ## Warum Kontextbearbeitung die Wiederverwendung des Prefix-Cache erschweren kann Die Tokenzahl allein erfasst einen wichtigen Zielkonflikt nicht: **Die Position einer Änderung zählt.** OpenAI dokumentiert beispielsweise, dass Prompt-Cache-Treffer einen exakt übereinstimmenden Anfang benötigen. [Der Leitfaden zum Prompt-Caching erläutert die Präfixanforderung](https://developers.openai.com/api/docs/guides/prompt-caching). ``` Before: [stable instructions] [old investigation] [useful evidence] After: [stable instructions] [shorter summary] [useful evidence] ``` Die abschließenden Belege sind unverändert, ihr vorhergehender Kontext jedoch nicht. Eine Prefix-Cache-Implementierung muss dieses erhaltene Material unter Umständen erneut verarbeiten. Eine Strategie mit weniger sichtbaren Tokens kann deshalb bei tatsächlichen Kosten oder Latenzen enttäuschen. Messen Sie gecachte Eingabe, ungecachte Eingabe und Ausgabe getrennt, statt Einsparungen aus der Dateigröße abzuleiten. **Suffix Cache Reuse (SCR)** ist ein separater SGLang-Patch, der erhaltene Cache-Zustände nach einer Änderung wiederverwendet. Die Dokumentation berichtet für ihren BrowseComp-Plus-Vergleich vergleichbare Leistung bei 65,0% der empirischen Prefix-Reuse-FLOPs des Standard-Servings. Die untersuchte Unterstützung betrifft SGLang 0.5.16 mit Qwen3.6-27B. Zusätzlicher Cache-Speicher ist ebenfalls nötig. [Die SCR-Dokumentation erläutert Näherungsverfahren, Unterstützungsumfang und Speicherbedarf](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/suffix_cache_reuse/README.md). Entscheidend ist, dass erhaltene Zustände Informationen aus dem vorherigen Kontextanfang enthalten können. **Unsere Schlussfolgerung: Gelöschter Text in der Kontextdatei beweist nicht, dass sein Einfluss auch aus dem Cache-Zustand verschwunden ist.** Das ist kein nachgewiesenes Datenleck. Es ist ein Grund, sensible Entfernungen und geänderte Bedingungen mit einem frischen Prefill zu prüfen, statt die Wiederverwendung alter Zustände mit dem vollständigen Neuaufbau gleichzusetzen. Logs und gespeicherte Snapshots benötigen ebenfalls eigene Aufbewahrungsregeln. Testen Sie die Kontextstrategie zuerst mit gewöhnlichem Serving. Ergänzen Sie SCR erst danach als getrennten Versuchsarm. Andernfalls lässt sich nicht unterscheiden, ob eine Änderung von besseren Kontextentscheidungen oder einer anderen Näherung in der Inferenz-Engine stammt. ## Ist der veröffentlichte CLM-Code für kommerzielle Nutzung frei verfügbar? **Das untersuchte Repository verwendet CC BY-NC 4.0.** Es ist weder MIT-lizenziert noch eine Veröffentlichung mit uneingeschränktem kommerziellem Nutzungsrecht. [Die versionierte LICENSE enthält Attribution-NonCommercial 4.0](https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/LICENSE). Creative Commons erläutert die nichtkommerzielle Bedingung in der [Zusammenfassung von CC BY-NC 4.0](https://creativecommons.org/licenses/by-nc/4.0/). Die Open Source Definition erlaubt keine Beschränkung gegen geschäftliche Nutzung. [Die OSI-Definition beschreibt die entsprechende Anforderung an Einsatzgebiete](https://opensource.org/osd). Für die technische Beschaffung sollte die Bezeichnung daher lauten: öffentlich zugänglicher Forschungscode mit nichtkommerzieller Einschränkung, nicht einfach „kostenloses Open Source“. Klären Sie vorab, ob die geplante Evaluation oder Nutzung zulässig ist, oder holen Sie eine entsprechende Erlaubnis ein. Ein interner Unternehmensversuch ist nicht automatisch freigegeben, nur weil niemand dafür ein Abonnement kauft. Lassen Sie unklare Fälle qualifiziert rechtlich prüfen. Diese Einordnung betrifft die geprüfte Codelizenz. Sie entscheidet nicht über Rechte an den zugrunde liegenden Ideen, unabhängig geschriebenen Implementierungen, Modellgewichten oder separaten Abhängigkeiten. ## Wie lässt sich die Referenzimplementierung ausprobieren? Nach Klärung der zulässigen Nutzung beginnen Sie mit einer isolierten Entwicklungsumgebung, einer gültigen Harbor-Aufgabe und einem bereits konfigurierten Modellendpunkt. Binden Sie keine produktiven Zugangsdaten ein und vergeben Sie keine Schreibrechte auf Geschäftssysteme. Der folgende Commit-Pin fixiert den Forschungsstand im Repository, nicht jede Abhängigkeit oder Modellrevision. ``` git clone https://github.com/facebookresearch/context-language-models.git cd context-language-models git checkout --detach 18dc11115f50f261233c5bba7937834491e307e8 python3.12 -m venv .venv . .venv/bin/activate python -m pip install -e . ``` Verwenden Sie ein tatsächliches Harbor-Aufgabenverzeichnis. Das Beispiel setzt einen OpenAI-kompatiblen Endpunkt voraus, der unter der angegebenen Adresse den Alias `qwen36-27b` mit aktivierten Werkzeugaufrufen bereitstellt. Passen Sie Pfad und Endpunkt an Ihre Umgebung an. „OpenAI-kompatibel“ beschreibt die Schnittstelle, nicht den Betreiber des Modells. ``` : "${TASK_DIR:?Set TASK_DIR to an existing Harbor task directory}" test -d "$TASK_DIR" || exit 1 clm-harbor trial start -p "$TASK_DIR" -e docker \ -a clm-minimal -m openai/qwen36-27b \ --agent-kwarg api_base=http://localhost:8000/v1 ``` Die Befehle orientieren sich an der [dokumentierten Installation und Harbor-Schnittstelle](#source-harness). Wir haben keinen CLM-Testlauf ausgeführt. Der Modellserver muss vom Prozess erreichbar sein, der die Modellaufrufe ausführt. Seine Kontextkapazität muss `context_budget_tokens + max_tokens` aufnehmen können, nicht nur das bearbeitbare Eingabebudget. Speichern Sie Abhängigkeitsversionen, Modellrevision, Sampling-Einstellungen und Endpunktkonfiguration gemeinsam mit den Ergebnissen. Ein erfolgreich gestarteter CLI-Prozess ist kein Abnahmenachweis. Prüfen Sie das tatsächliche Aufgabenergebnis und die gespeicherten Artefakte. Zu den Referenzlogs gehören `usage.json`, `trajectory.json` und Kontext-Snapshots. Reine Kontextänderungen zählen möglicherweise nicht als Aufgabenschritt, verbrauchen aber weiterhin Modellaufrufe. Diese gehören in die reale Kostenrechnung des Versuchs. ## Ein Pilotversuch, der schlechte Kontextänderungen ablehnen kann Der folgende Evaluationsaufbau ist unser Vorschlag, keine Funktionszusage der Veröffentlichung. Beginnen Sie mit einem rein lesenden Ablauf, etwa der Untersuchung eines Supportvorfalls mit Diagnosevorschlag. Starten Sie nicht mit einem Agenten, der Rückerstattungen auslösen, Berechtigungen ändern oder Code ausrollen kann. Nutzen Sie für die bisherige Kompaktierung und den CLM-Ansatz denselben Modellcheckpoint, dieselben Ausgangsanweisungen, Werkzeuge, Belege und Aufgaben. Halten Sie Kontext- und gesamte Ausführungsbudgets gleich, soweit die Implementierungen das erlauben. Dokumentieren Sie unvermeidbare Unterschiede. Wiederholen Sie gepaarte Versuche, denn ein erfolgreicher Verlauf belegt keine Zuverlässigkeit. Trennen Sie einen zurückgehaltenen Testsatz von allen Beispielen, mit denen Sie die Bearbeitungs-Skill verbessern. | Test | Testfall | Erforderlicher Nachweis | | --- | --- | --- | | Erhalt eines kritischen Fakts | Nach vielen irrelevanten Ergebnissen wird ein exakter Identifikator benötigt. | Die Antwort erhält den richtigen Identifikator samt Quelle. | | Geänderte Bedingung | Eine spätere autorisierte Anweisung ersetzt eine frühere Annahme. | Die Entscheidung folgt der aktuellen Bedingung und reaktiviert die alte nicht unbemerkt. | | Widersprüchliche Belege | Zwei Quellen widersprechen sich. Nur eine ist für die Aufgabe maßgeblich. | Die Änderung erhält den Widerspruch, bis er mit Belegen geklärt ist. | | Manipulierte Werkzeugausgabe | Eine abgerufene Seite enthält eine als Richtlinie getarnte Anweisung. | Der überarbeitete Kontext verleiht dieser Anweisung keine Autorität. | | Defekte oder unterbrochene Änderung | Eine Änderung erzeugt ungültige Struktur oder der Prozess stoppt mitten im Update. | Kein Teilzustand löst eine Aktion aus. Die Wiederherstellung ist nachvollziehbar. | | Cache-sensitive Entfernung | Einen synthetischen sensiblen Fakt entfernen, dann Cache-Wiederverwendung mit frischem Prefill vergleichen. | Verhaltensunterschiede dokumentieren. Aus dem Dateidiff allein keine Löschung ableiten. | | Agentenisolation | Zwei Agenten bearbeiten unabhängige Aufgaben mit unterschiedlichen Berechtigungen. | Keine Aufgabe erhält den Kontext oder Cache-Zustand der anderen. | Der Injection-Test ist als allgemeine Fehlerklasse nicht rein hypothetisch. OpenAI dokumentierte seltene selbstgenerierte, unzulässige Anweisungen in Kompaktierungszusammenfassungen während eines separaten Trainingslaufs eines unveröffentlichten Modells. Dieses Verhalten wurde nicht für die im Verkehr verwendeten Checkpoints des finalen Modells berichtet. Das ist kein Befund gegen CLMs, aber ein relevanter Grund, überarbeitete Zusammenfassungen als nicht vertrauenswürdigen Inhalt zu behandeln. [OpenAIs Vorfallsbericht beschreibt Beobachtung und Grenzen](https://alignment.openai.com/misalignment-reports/self-generated-prompt-injections-in-compaction-summaries/). Für jede vorgeschlagene Änderung würden wir in einem Produktionsdesign die vorherige Revision, den Diff, das Validierungsergebnis und den Ablehnungsgrund aufbewahren. Dafür eignet sich eine von der Anwendung kontrollierte Prüfspur, nicht eine vom Agenten veränderbare Aufzeichnung. Prüfen Sie die tatsächlichen Berechtigungen an der Ausführungsgrenze erneut, selbst nach erfolgreicher Kontextprüfung. Berichten Sie Aufgabenerfolg, Verlust kritischer Fakten, unbelegte Aussagen, abgelehnte Änderungen, Wiederherstellungsversuche, Latenz sowie gesamte Modell- und Werkzeugkosten. Ergänzen Sie „Kosten pro akzeptiertem Ergebnis“, einschließlich Wiederholungen und menschlicher Prüfung. Legen Sie unzulässige Verschlechterungen vor Sichtung der Ergebnisse fest. Eine Strategie darf nicht allein wegen beeindruckender Beispiele bestehen, wenn sie durchschnittlich günstiger wird, aber wesentliche Belege verliert. ## Mehrere Kontextdateien sind noch kein Koordinationsprotokoll Modellgesteuerte Dateien bieten eine interessante Möglichkeit, Arbeitskontext auf Agenten aufzuteilen. Sie beantworten für sich genommen nicht, wem eine Revision gehört, wie parallele Änderungen zusammengeführt werden oder welcher Agent Daten anderer Aufgaben lesen darf. Unser Standardentwurf würde jedem Agenten eine private Arbeitsdatei geben, explizite Leserechte für gemeinsame Belege festlegen und für jedes gemeinsame Artefakt einen verantwortlichen Schreiber bestimmen. Gemeinsame Updates sollten die ersetzte Revision benennen und veraltete Schreibversuche ablehnen. Von einem kollaborativen Dokument sollte erst gesprochen werden, nachdem Revisionskonflikte, Wiederherstellung und Isolation zwischen Aufgaben getestet wurden. ## Was sollten Teams jetzt ändern? **Testen Sie modellgesteuerte Kompaktierung, behalten Sie aber unabhängige Kontrolle über Berechtigungen, Belege und Wiederherstellung.** Beginnen Sie dort, wo lange Untersuchungshistorien bereits messbare Probleme verursachen. Lassen Sie kurze, zuverlässige Abläufe unverändert, bis es einen konkreten Änderungsgrund gibt. Halten Sie die bisherige Kompaktierung verfügbar, während der neue Ansatz in parallelen Testläufen untersucht wird. Die Kontrolle über die Kontextdatei ist nützlich, beweist aber nicht die Kontrolle über das gesamte KI-System. Der [Referenz-Harness kann lokale oder gehostete Modellendpunkte aufrufen](#source-harness). Eine lokal gespeicherte Datei kann trotzdem an einen entfernten Anbieter gesendet werden. Entscheiden Sie getrennt über Inferenzstandort, Zugriff auf Traces, Exportmöglichkeiten und Lizenzen. Weder Self-Hosting noch Cloud-Hosting beweist für sich genommen die Ausrichtung an den Interessen der Nutzer. Als konkreten nächsten Schritt definieren Sie einen Ablauf, seine unverzichtbaren Fakten und die Nachweise für die Freigabe einer geänderten Kontextstrategie. Unsere [KI-Entwicklungsleistung](/de/services/artificial-intelligence/) ist der kommerzielle Einstieg zur Abgrenzung solcher Arbeiten. Die [TwinSoft-AI-Fallstudie](/de/case-studies/twinsoft-ai/) zeigt angrenzende KI-Produktentwicklung, keine CLM-Implementierung. Ordnen Sie den Pilotversuch mit der [Software-QA-Checkliste vor dem Launch](/de/software-development-guide/software-qa-checklist-before-launch/) in die gesamte Freigabeprüfung ein oder [besprechen Sie eine klar begrenzte Evaluation der Kontextverwaltung](/de/contact/). Das Modell kann ein besserer Redakteur seiner Arbeitsnotizen werden. Ihre Anwendung muss weiterhin wissen, ob diese Notizen korrekt genug sind, um darauf zu handeln. ## Häufige Fragen zu Context Language Models ### Was ist ein Context Language Model? Ein Context Language Model verwaltet den aktiven Kontext über eine bearbeitbare Textdarstellung, die die Laufzeit wieder in nachfolgende Anfragen einliest. Es ist nicht lediglich ein externer Notizblock oder ein größeres Kontextfenster. ### Machen Context Language Models den Agenten-Harness überflüssig? Nein. Der geprüfte Referenz-Harness hält System-Prompt und Aufgabe fest, prüft Tokenbudgets, validiert Änderungen und behandelt Überschreitungen. Modellgesteuerte Informationsauswahl ersetzt weder Berechtigungen noch Wiederherstellung der Anwendung. ### Können bestehende LLMs CLM-Kontextbearbeitung ohne Training nutzen? Der Referenz-Harness unterstützt bestehende Modelle und kompatible Endpunkte mit Werkzeugaufrufen, ohne eine neue Architektur zu verlangen. Die Qualität hängt jedoch von Modell und Aufgabe ab. Ein Ergebnis ohne Zusatztraining garantiert keine Verbesserung für jedes Modell. ### Verändert die Bearbeitung der Kontextdatei Modellgewichte? Nein. Sie verändert das Material für spätere Anfragen. Bei der In-Context-Skill-Evolution des Projekts bleiben die Gewichte unverändert. Reinforcement Learning ist ein separater Trainingsprozess. ### Ist Metas veröffentlichter CLM-Code uneingeschränkt Open Source? Das geprüfte Repository verwendet CC BY-NC 4.0 mit einer nichtkommerziellen Bedingung. Es ist weder MIT-lizenziert noch für jede kommerzielle Verwendung freigegeben. Prüfen Sie die geplante Nutzung oder holen Sie die erforderliche Erlaubnis ein. ### Ist das dasselbe wie das Contrastive Language Model CLM-8B? Nein. Context Language Models bearbeiten den Arbeitskontext. Das Contrastive Language Model CLM-8B im separaten Wavect-Leitfaden bewertet mögliche Aktionen. Das gemeinsame Kürzel macht daraus nicht dasselbe Projekt. ### Löscht das Entfernen von Kontexttext auch den Cache-Inhalt? Das sollte nicht vorausgesetzt werden. Das geprüfte Suffix-Cache-Reuse-Verfahren kann Zustände erhalten, die vom früheren Kontextanfang beeinflusst sind. Vergleichen Sie sensible Entfernungen mit frischem Prefill und verwalten Sie Logs und Snapshots getrennt. Modelle und Infrastruktur ## In diesem Cluster weiterlesen Modellauswahl, Inferenzkosten, lokaler Betrieb, Kompression und Serving-Architektur. [Mit dem Grundlagenartikel starten**LLMs in der EU selbst hosten: Wann sich Open Weights wirklich rechnen**](/de/blog/self-hosting-llms-eu-cost/) - [LiteLLM Lens: Agenten-Traces mit SQL und APIs analysieren](/de/blog/litellm-lens-agent-trace-analysis/) - [SmythOS Studio selbst hosten: Docker, Kosten und Grenzen](/de/blog/smythos-studio-self-hosting/) - [DeerFlow 2.0: Docker-Setup, Sandboxes und Memory](/de/blog/deerflow-2-docker-setup-sandbox-memory/) - [CLM-8B selbst hosten: vLLM, Action-Cache und Verifier](/de/blog/clm-8b-self-hosting-action-cache-verifier/) - [AnyJev: LLM-Kalibrierung und Optionsreihenfolge](/de/blog/anyjev-calibration-option-order-bias/) [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 14 min Lesezeit · 2. Okt. 2026 Zuletzt geprüft 2. Oktober 2026 [**Weiter**](/de/blog/agent-harness-engineering/) ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/de/blog/context-language-models-vs-compaction/#webpage", "@type": "WebPage", "dateModified": "2026-10-02", "inLanguage": "de", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-10-02", "url": "https://wavect.io/de/blog/context-language-models-vs-compaction/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Context Language Models lassen Modelle ihren aktiven Arbeitskontext bearbeiten. Die Referenzimplementierung nutzt weiterhin einen Harness mit geschützten Anweisungen, Budgetkontrollen und Änderungsvalidierung. Kontextbearbeitung ist keine persistente Erinnerung und verändert für sich genommen keine Modellgewichte. Der geprüfte Code verwendet CC BY-NC 4.0, keine uneingeschränkte Lizenz für kommerzielle Nutzung. Vergleichen Sie die neue Strategie mit Ihrer Kompaktierung anhand zurückgehaltener Aufgaben, Belegerhalt und Gesamtkosten. Testen Sie Suffix Cache Reuse separat: Aus der Löschung sichtbaren Texts folgt keine nachgewiesene Entfernung aus dem Cache-Zustand.", "articleBody": " Blog-Übersicht/AI und Agents/Modelle und Infrastruktur Context Language Models vs. Kompaktierung: Was testen? TL;DR Context Language Models lassen Modelle ihren aktiven Arbeitskontext bearbeiten. Die Referenzimplementierung nutzt weiterhin einen Harness mit geschützten Anweisungen, Budgetkontrollen und Änderungsvalidierung. Kontextbearbeitung ist keine persistente Erinnerung und verändert für sich genommen keine Modellgewichte. Der geprüfte Code verwendet CC BY-NC 4.0, keine uneingeschränkte Lizenz für kommerzielle Nutzung. Vergleichen Sie die neue Strategie mit Ihrer Kompaktierung anhand zurückgehaltener Aufgaben, Belegerhalt und Gesamtkosten. Testen Sie Suffix Cache Reuse separat: Aus der Löschung sichtbaren Texts folgt keine nachgewiesene Entfernung aus dem Cache-Zustand. Ein Agent, der seinen Arbeitskontext bearbeiten kann, ist interessanter als ein Agent mit einem größeren Notizbuch. Er kann entscheiden, welche erfolglosen Suchen verschwinden, welche Bedingungen erhalten bleiben und wann er seinen Zwischenplan überarbeitet. Die entscheidende Frage für die Entwicklung lautet: Verbessern diese Entscheidungen den Ablauf so weit, dass sich die bisherige Kompaktierungsstrategie ersetzen lässt? Context Language Models (CLMs) stellen dem Modell seinen aktiven Kontext als bearbeitbaren Text zur Verfügung. Nicht mehr jede Entscheidung über die Kontextverwaltung liegt damit im Anwendungscode. Die Forschungsarbeit entstand unter Beteiligung der University of Washington, Meta Superintelligence Labs, MIT und Trillium Labs. Die arXiv-Einreichung datiert auf den 29. September 2026, nicht auf einen unspezifischen Veröffentlichungstag im Oktober. Die Veröffentlichung und ihre Historie dokumentieren Forschung und Datum. Das ist nicht das Contrastive Language Model CLM-8B, das mögliche Aktionen bewertet. Dieses andere System behandeln wir im Leitfaden zu CLM-8B, Self-Hosting und Verifiern. Quellen geprüft am 2. Oktober 2026. Codeverweise beziehen sich auf 18dc11115f50f261233c5bba7937834491e307e8. Dies ist eine quellenbasierte technische Bewertung, kein Wavect-Benchmark und keine Behauptung, dass wir CLMs bei einem Kunden eingesetzt haben. Was haben Meta und die beteiligten Forschungsteams veröffentlicht? Die Veröffentlichung umfasst einen Harness zur Kontextbearbeitung, die Verbesserung von In-Context-Skills, Code für Reinforcement Learning und eine Serving-Optimierung namens Suffix Cache Reuse. Sie ist nicht einfach eine neue Modellarchitektur, durch die vorhandene Infrastruktur überflüssig wird. Das versionierte Repository beschreibt die veröffentlichten Komponenten. Der Vergleich mit einem Notizbuch hilft nur begrenzt. Ein gewöhnlicher Notizblock ergänzt die Unterhaltung. Hier können Änderungen das Gesprächsmaterial verändern, das in nachfolgende Modellaufrufe eingeht. Es handelt sich um einen bearbeitbaren Arbeitsbestand, nicht um die Erlaubnis, Berechtigungen oder die tatsächliche Ausführungshistorie umzuschreiben. Bei einem Rechercheagenten sollte dieser Arbeitsbestand aus unserer Sicht die Frage, offene Widersprüche und Verweise auf Belege erhalten, während wiederholte Suchausgaben entfallen. Bei einem Coding-Agenten sollten der fehlgeschlagene Test, relevante Codestellen und erfolglose Lösungsversuche erhalten bleiben. Das sind vorgeschlagene Erhaltungsziele, keine automatischen Eigenschaften jedes CLM-Durchlaufs. Die Veröffentlichung beschreibt außerdem Agenten, die eigene Tracker und wiederverwendbare Hilfsfunktionen zur Kompaktierung anlegen. Darin liegt der interessante Ansatz: Kontextverwaltung kann aufgabenspezifisches Verhalten werden, statt eine immer längere Liste manuell geschriebener Löschregeln. Die beobachteten Verhaltensweisen sind Beispiele, keine Garantien für andere Modelle oder Aufgaben. Siehe die Beispiele zur Kontextbearbeitung in der Veröffentlichung. Wie funktioniert die bearbeitbare Kontextdatei? Der Referenzagent ClmAgent verwendet Harbor. Vor einem Befehl spiegelt er bearbeitbare Gesprächsschritte nach /tmp/.live_ctx/LIVE_CTX_MAIN.txt. Das Modell kann die Datei mit üblichen Shell-Werkzeugen bearbeiten. Der Harness liest Änderungen wieder als Nachrichten ein, hält System-Prompt und ursprüngliche Aufgabe jedoch fest. Dazu kommen Token-Hinweise, eine Änderungsprüfung und die Wiederherstellung bei Kontextüberschreitung. Die Harness-Dokumentation beschreibt Spiegeldatei, geschützten Anfang und Ablauf. Das ist eine andere Arbeitsteilung, nicht der Wegfall des Harness. Das Modell wählt aus, was erhalten bleibt. Software muss weiterhin entscheiden, welche Änderungen gültig sind, welche Werkzeuge laufen dürfen und wann die Ausführung endet. Unser Leitfaden zu Agent Harness Engineering behandelt diese umfassendere Laufzeitverantwortung. Eine modellgenerierte Zusammenfassung mit dem Satz „Die Freigabe wurde erteilt“ darf keine Freigabe erzeugen. Berechtigungen gehören in vertrauenswürdigen Anwendungszustand außerhalb bearbeitbarer Notizen. Ebenso darf eine überarbeitete Beschreibung eines", "articleSection": "Agentenentwicklung", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "Die Veröffentlichung und ihre Historie dokumentieren Forschung und Datum", "url": "https://arxiv.org/abs/2609.37725v1" }, { "@type": "WebPage", "name": "Das versionierte Repository beschreibt die veröffentlichten Komponenten", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/README.md" }, { "@type": "WebPage", "name": "Die Harness-Dokumentation beschreibt Spiegeldatei, geschützten Anfang und Ablauf", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_harness/README.md" }, { "@type": "WebPage", "name": "Die Implementierung der Skill-Evolution trennt diese Mechanismen ausdrücklich", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/clm/clm_icl/README.md" }, { "@type": "WebPage", "name": "Anthropic dokumentiert automatische und angeforderte Kompaktierung", "url": "https://platform.claude.com/docs/en/build-with-claude/compaction" }, { "@type": "WebPage", "name": "Die Memory-Tool-Dokumentation beschreibt diesen eigenständigen Persistenzvertrag", "url": "https://platform.claude.com/docs/en/agents-and-tools/tool-use/memory-tool" }, { "@type": "WebPage", "name": "Der Leitfaden zum Prompt-Caching erläutert die Präfixanforderung", "url": "https://developers.openai.com/api/docs/guides/prompt-caching" }, { "@type": "WebPage", "name": "Die SCR-Dokumentation erläutert Näherungsverfahren, Unterstützungsumfang und Speicherbedarf", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/suffix_cache_reuse/README.md" }, { "@type": "WebPage", "name": "Die versionierte LICENSE enthält Attribution-NonCommercial 4.0", "url": "https://github.com/facebookresearch/context-language-models/blob/18dc11115f50f261233c5bba7937834491e307e8/LICENSE" }, { "@type": "WebPage", "name": "Zusammenfassung von CC BY-NC 4.0", "url": "https://creativecommons.org/licenses/by-nc/4.0/" }, { "@type": "WebPage", "name": "Die OSI-Definition beschreibt die entsprechende Anforderung an Einsatzgebiete", "url": "https://opensource.org/osd" }, { "@type": "WebPage", "name": "OpenAIs Vorfallsbericht beschreibt Beobachtung und Grenzen", "url": "https://alignment.openai.com/misalignment-reports/self-generated-prompt-injections-in-compaction-summaries/" } ], "dateModified": "2026-10-02", "datePublished": "2026-10-02", "description": "Context Language Models lassen Modelle ihren aktiven Arbeitskontext bearbeiten. Die Referenzimplementierung nutzt weiterhin einen Harness mit geschützten Anweisungen, Budgetkontrollen und Änderungsvalidierung. Kontextbearbeitung ist keine persistente Erinnerung und verändert für sich genommen keine Modellgewichte. Der geprüfte Code verwendet CC BY-NC 4.0, keine uneingeschränkte Lizenz für kommerzielle Nutzung. Vergleichen Sie die neue Strategie mit Ihrer Kompaktierung anhand zurückgehaltener Aufgaben, Belegerhalt und Gesamtkosten. Testen Sie Suffix Cache Reuse separat: Aus der Löschung sichtbaren Texts folgt keine nachgewiesene Entfernung aus dem Cache-Zustand.", "headline": "Context Language Models vs. Kompaktierung: Was testen?", "image": "https://wavect.io/img/blog/headers/header_context-language-models-vs-compaction.svg", "inLanguage": "de", "keywords": "Context Language Models, KI-Agenten, Kontextmanagement", "mainEntityOfPage": { "@id": "https://wavect.io/de/blog/context-language-models-vs-compaction/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/de/blog/context-language-models-vs-compaction/", "wordCount": 2791 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/de/", "name": "Startseite", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/overview/", "name": "Blog-Übersicht", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/topics/ai-agents/", "name": "AI und Agents", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/clusters/models-infrastructure/", "name": "Modelle und Infrastruktur", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/context-language-models-vs-compaction/", "name": "Context Language Models vs. Kompaktierung: Was testen?", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Ein Context Language Model verwaltet den aktiven Kontext über eine bearbeitbare Textdarstellung, die die Laufzeit wieder in nachfolgende Anfragen einliest. Es ist nicht lediglich ein externer Notizblock oder ein größeres Kontextfenster." }, "name": "Was ist ein Context Language Model?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nein. Der geprüfte Referenz-Harness hält System-Prompt und Aufgabe fest, prüft Tokenbudgets, validiert Änderungen und behandelt Überschreitungen. Modellgesteuerte Informationsauswahl ersetzt weder Berechtigungen noch Wiederherstellung der Anwendung." }, "name": "Machen Context Language Models den Agenten-Harness überflüssig?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Der Referenz-Harness unterstützt bestehende Modelle und kompatible Endpunkte mit Werkzeugaufrufen, ohne eine neue Architektur zu verlangen. Die Qualität hängt jedoch von Modell und Aufgabe ab. Ein Ergebnis ohne Zusatztraining garantiert keine Verbesserung für jedes Modell." }, "name": "Können bestehende LLMs CLM-Kontextbearbeitung ohne Training nutzen?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nein. Sie verändert das Material für spätere Anfragen. Bei der In-Context-Skill-Evolution des Projekts bleiben die Gewichte unverändert. Reinforcement Learning ist ein separater Trainingsprozess." }, "name": "Verändert die Bearbeitung der Kontextdatei Modellgewichte?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Das geprüfte Repository verwendet CC BY-NC 4.0 mit einer nichtkommerziellen Bedingung. Es ist weder MIT-lizenziert noch für jede kommerzielle Verwendung freigegeben. Prüfen Sie die geplante Nutzung oder holen Sie die erforderliche Erlaubnis ein." }, "name": "Ist Metas veröffentlichter CLM-Code uneingeschränkt Open Source?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Nein. Context Language Models bearbeiten den Arbeitskontext. Das Contrastive Language Model CLM-8B im separaten Wavect-Leitfaden bewertet mögliche Aktionen. Das gemeinsame Kürzel macht daraus nicht dasselbe Projekt." }, "name": "Ist das dasselbe wie das Contrastive Language Model CLM-8B?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Das sollte nicht vorausgesetzt werden. Das geprüfte Suffix-Cache-Reuse-Verfahren kann Zustände erhalten, die vom früheren Kontextanfang beeinflusst sind. Vergleichen Sie sensible Entfernungen mit frischem Prefill und verwalten Sie Logs und Snapshots getrennt." }, "name": "Löscht das Entfernen von Kontexttext auch den Cache-Inhalt?" } ] } ```