ScaleDown 推出约束解码模型 CDM：1M 上下文专做摘要/压缩/抽取/分类，LangChain 同日接入 Deep Agents 中间件

核心背景与行业痛点

长时间运行的 Agent 大部分开销并不在「写代码」，而在上下文管理：摘要旧历史、裁剪超长工具结果、从用户消息里抠出订单号和报错码。这些步骤几乎每轮都要做，过去都交给前沿大模型，既慢又贵，还可能把错误码「意译」走样。ScaleDown 推出的约束解码模型（CDM）就是专门接管这类高频窄任务的。

架构亮点与底层机制

通用 LLM 逐 token 写任意字符串；CDM 每个模型只为一个任务训练，只返回该任务允许的答案——你给定的标签之一，或输入原文中的片段，所以可以做得更小更快。目前四款：Summarize（摘要）、Compress（按问题裁剪上下文）、Extract（按自然语言描述抽字段，带置信度和原文位置）、Classify（对自定义标签给出概率，可附一句理由）。输入上限均为 100 万 token，Extract/Summarize/Classify 可直接处理图片和扫描 PDF。Classify 的 [/v1/scaledown 接口](https://docs.scaledown.ai/api-reference/decisions-overview)与 Jev Decisions API 请求格式兼容，换 base URL 即可迁移。

权威 Benchmark 与实测跑分对比

以下均为厂商口径：ScaleDown 称在窄任务上比前沿模型快 200 倍、便宜 467 倍；对比 GPT-5.5、GPT-5.4 Mini、GPT-5.4 Nano 均值，Summarize 便宜 41 倍、快 2.7 倍，Compress 便宜 138 倍、快 1.8 倍，准确率均更高（基准页）。LangChain 示例里一页文档被从 18,402 字符压到 3,110 字符。暂无第三方独立复测。

开发者实战落地与开箱指南

uv pip install -U langchain-scaledown（PyPI 0.2.0，MIT 开源），设置 SCALEDOWN_API_KEY 后，把 ScaledownSummarizationMiddleware 替换 Deep Agents 自带摘要，给 fetch_url 等工具挂 ScaledownToolCompressionMiddleware，用 ScaledownExtractionMiddleware 抽工单字段（LangChain 教程）。也可在 OpenRouter 直接调用，或走 LangSmith LLM Gateway 统一计费追踪。注意：写代码、规划等开放式生成仍应留给通用大模型。