这次更新最值得看的不是分数。
官方给的说法很直接：新模型在训练阶段就针对自家的 harness 做了优化，任务表现提升，跑得更快，输出用量和 token 成本都降了。几个指标一起往好的方向动，这在模型发布里不常见。多数时候我们看到的只是单项上涨，另外几项靠用户自己承担。
但这句话还有下半句：想吃到收益，客户端要升到指定版本。也就是说，提升有一半不在模型里，在模型外面那层程序里。
harness 是包在模型外面的那层东西：拼请求、管历史、挂工具、控思考预算。同一个模型换一层外壳，表现可以差出一截。这次被翻出来的三处改动，都围绕同一件事——别让前缀缓存失效。
训练目标变了，评测对象也变了
以前评模型，输入是一段对话，输出是一个答案，变量基本只有模型。
现在模型在训练时见过某套外壳的请求结构：system 消息放在哪、工具怎么声明、历史怎么组织。推理时请求长得像训练数据，模型就更顺。
代价是可迁移性。换个外壳，请求结构变了，训练时学到的那点默契就没了。所以这类发布里的分数，严格说是「模型加外壳」的分数，不能直接搬去比较别家的客户端。
这也解释了一个细节：升级要求写到 rc 版本。功能还在 RC，说明接口没冻结，收益和风险绑在同一个版本号上。
改动一：系统提示挪进历史
原来的做法是系统提示固定在 messages 开头。想改一句，就得重写第一条，前缀一变，后面整段历史全部重算。
新做法允许 role 为 system 的消息出现在 messages 的任意位置，模型把最新的一条当作完整的系统提示。改提示时，把它追加在当前这轮 user 消息之后，开头那条不动。
两个前提不能漏：
- 必须发完整的新提示，不能只发改动部分
- 追加的位置在本轮 user 之后，不是随便找个地方插
前缀缓存的命中条件是前缀逐字节一致。这个改动本质上是在「可变」和「不可变」之间划了一条线：开头永远不变，变化往后放。
改动二：对话中途加工具，缓存不掉
工具声明通常也在最前面。会话跑了一半要加个工具，按老办法得改 tools 数组的开头，缓存同样失效。
这里的做法分两步：
- 新工具追加到 tools 末尾，标上 defer_loading: true
- 在历史里插一条 system 消息，内容是 {"type":"tool_addition","tool":{"type":"tool_reference","name":"..."}}
请求头还要带上 anthropic-beta: mid-conversation-tool-changes-2026-07-01。这套做法用真实 API 验过：加工具之前的那段对话照样命中缓存。
defer_loading 的作用是把工具定义推迟加载，声明位置不变，前缀就不动。这个思路可以单独拿走，跟用哪家模型没关系。
- 1固定开头系统提示和工具声明放在最前，之后不再改
- 2追加新提示在本轮 user 消息之后插一条 system
- 3追加新工具放 tools 末尾，标 defer_loading
- 4下一轮请求前缀没变，历史部分继续命中缓存
改动三：思考强度按调用分配
思考预算也能单独设。output_config.effort 有 low、high、max 三档，thinking 可以整个关掉，默认是开的。
真正省钱的不是档位本身，是分调用给预算。搜索、生成标题这类辅助请求，关掉思考，延迟和 token 一起降。主任务该想多久想多久。
这件事听起来小，但它是「按任务分配算力」最便宜的实现。很多团队的做法是一刀切：要么全开，要么全关。
哪里会翻车
第一，能力不是全产品线都有。前两项只对 flash 档声明了，pro 档没有。文档里的一句话，换个模型就不成立，别默认整条线都能用。
第二，带日期的 beta 头会变。mid-conversation-tool-changes-2026-07-01 这种命名，意思是接口还在动。上线要锁版本，还要写降级路径：beta 头不被认，就退回老办法。
第三，缓存的前提很硬。开头动一个字符、工具顺序换一下，甚至序列化时字段顺序变了，命中就没了。日志里要能看见 cached tokens 这类计数，否则省没省全靠感觉。
第四，对照组选的是上一代。发布方的比较对象不是同代最强，这种对比只能说明代际差。看到「提升明显」，先问一句跟谁比。
第五，旧会话能不能续。历史结构变了，升级之后的长会话续接要单独测。这类问题不会写在发布说明里。
怎么验证这次升级值不值
别只看一个数。三项一起看：任务成功率，或者人工接管率，加上完成时间、输出 token。只动一项，多半是任务选得偏。
按任务类型拆开。写代码、查资料、改配置，缓存命中的比例不一样，收益也不一样。
固定变量。外壳版本、模型档位、思考档位、任务集，四个都固定，再跑两遍看波动。第二遍还能不能找出新东西，比第一遍的绝对值更有信息量。
最后一句判断：这次值得抄的是三个工程手法，不是分数。前缀缓存、工具增量加载、思考预算，放在任何一套外壳里都能做。模型为外壳训练这件事会越来越多，评测的门槛也会跟着变，从跑个分，变成把整套请求复现出来。