读一座代码仓库，像同时查看眼前几行和几十页前的定义：只盯近处会丢掉线索，只看全局又容易模糊细节。Jet-Long想解决的正是这种两难。它让现成的开放权重模型不用重新训练，就能接收超出原训练范围的长材料，也就是“零样本上下文扩展”。
它像一副会自动调节的双焦镜：局部窗口保留原始RoPE——一种让模型辨认文字相对位置的方法——以守住近邻细节；远程窗口则随当前序列长度动态压缩位置，尽量把遥远内容映回模型熟悉的范围。短输入时，它可完全还原基础模型；输入越长，远程缩放才逐步介入。作者还用三次注意力计算协调两扇窗口，并在生成时即时修正位置旋转，无需改动KV Cache——模型保存中间结果、避免反复重算的“草稿纸”。
作者在Qwen3 1.7B、4B和8B模型上测试到128K上下文，并自述Jet-Long在RULER、HELMET-RAG和PG-19等长文本测试中领先或持平于强基线。不过供稿中的具体领先幅度和推理开销数字缺失，暂不宜据此判断实际收益有多大。