DISCO 把长上下文拆成 Worker 并行检索加 Driver 推理，在 RULER-QA 百万 token 上保持 78.4% 准确率，推理成本降逾 80%

论文把长上下文失效归因于“grounding 与 reasoning 的结构性纠缠”，并提出把两者彻底解耦：Worker 只做局部原子抽取，Driver 只在精炼证据上做多跳推理。 相比 RAG 依赖 embedding/BM25 的浅层检索、以及 Chain-of-Agents、LLMMapReduce 等串行或单轮 agent 流程，DISCO 让生成式 LLM 承担检索，并把检索与推理在结构上分离。 论文给出分解式（式 1–式 6）与系统设计，并在 LongBench v2 上以同参数规模的 Qwen3-Embedding-4B 检索器替换生成式 Worker 做对照：47.3 对 39.6，说明生成式 grounding 优于静态向量检索。

DISCO 在百万 token 级检索上保持稳定：RULER-QA 1M token 下 Qwen3-8B 达 78.4%，而 RAG 基线跌至 10.9%，且 256K/512K/1M 分别为 77.6/77.5/78.4，几乎不随长度衰减。 论文称其 grounding 表现对总上下文长度“不变”，并比最强基线 LLMMapReduce 高约 6%。 结果来自 RULER-QA 合成多跳基准在 256K、512K、1M 三个长度上的评测，并与 Naive 全上下文、RAG、CoA、LLMMapReduce、RLM 五类基线对比。

解耦与迭代重规划释放推理能力：LongBench v2 上 DISCO（Qwen3-14B）比全上下文基线高 9.8 分（48.7% 对 38.9%），且 Thinking Mode 的增益被放大（8B 从 +0.9 到 +5.5，14B 从 +5.6 到 +13.5）。 论文解释为 Worker 已把证据蒸馏成紧凑形式，Driver 的思考预算全部用于推理而非在噪声上下文中检索。 对比对象为 Full Long Context 与 LLMMapReduce（33.7%），并给出 Thinking Mode 开关下的增益对照。

成本与规模解耦：以 Gemini-3-Pro 为 Driver 时，DISCO 保持与全上下文基线接近的推理水平（71.3% 对 72.2%），同时把评测成本从 126.7 降到 20.4（约 6.2 倍降幅，论文表述为降低逾 80%）。 论文把 token 密集的扫描卸载给轻量 Worker，使“读”的成本与“想”的成本分离。 来自 Gemini-3-Pro 的成本对比实验，以及固定 8 张 H100 等算力预算下 256K–1M 的延迟曲线：DISCO 延迟近乎平坦，而 agentic 基线呈陡峭线性增长。

该结果面向需要在百万 token 级上下文上做多跳问答的推理服务场景，适用对象是希望以轻量 Worker 加中心 Driver 组合替代单模型长窗口的工程与研究团队。它使“按上下文长度扩展 Map 动作、按推理复杂度扩展 Wide 动作”的纯推理期扩展成为可操作路径，并给出 Worker 规模、奖励设计与容错的调参依据：Worker 从 4B 到 14B 仅带来 2.9% 准确率提升（50.9% 到 53.8%），而 Driver 从 8B 到 14B 带来 39.8% 到 50.9% 的提升，说明算力应优先投向 Driver。

读者仍会关注若干开放问题：Fact Dropout 实验显示在丢弃比例超过约 20% 后平均执行阶段从 4 骤增至 7、准确率在 40% 丢弃时跌至 33%，说明容错存在相变点，实际部署中 Worker 失败率落在哪一侧尚待观察；训练数据由 MuSiQue 经 Recursive Context Augmentation 扩增为 4.5k 样本（16K–512K token），这种合成长上下文与真实超长文档的分布差异会如何影响迁移，文本未给出答案；RLM 基线在 Qwen3-8B/14B 上表现不佳，论文将其归因于小模型缺乏 REPL 环境所需的编码与规划能力，因此与其他基线的比较需结合这一前提理解；此外，本次读取为全文，但表格与图（如 Figure 2–6）在文本中以引用形式出现，部分数值只能通过正文转述获得，细粒度曲线仍需查阅原文图表。