CliffCompaction自动压缩技术降低长上下文智能体成本50%
论文AI 评分 78/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对长跨度编码智能体面临的海量上下文与窗口限制，CliffCompaction提出一种自动压缩方案。该技术仅截断或丢弃内容而绝不改写，且每次仅处理原始输入并丢弃前次压缩结果，从而避免上下文偏移累积。此法将成本最高削减一半，在Terminal-Bench上以低于两次完整运行的花费提升超10个百分点；并行测试时让Kimi K2.6以更低代价追平Opus 4.7并超越Opus 4.6与GPT-5.3 Codex。在KernelBench上，经200和400步后分别实现2.23倍与3.58倍的CUDA内核加速，超越专用搜索与训练智能体。其实现已开源，适配Claude Code等框架。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载核心机制与防偏移设计
智能体处理复杂任务常需百万级token上下文，受限于窗口须跨会话压缩。CliffCompaction作为自动压缩技术，其核心在于保持压缩信息保真度：仅对内容进行截断或丢弃，绝不改写或重写。同时，该法绝不进行二次压缩，每轮操作仅针对原始内容，并丢弃先前压缩输出，从而彻底防止上下文偏移的累积。这种机制使得智能体能够在超过百万token的会话中维持持续学习能力。
性能收益与模型对比
在成本与性能权衡上，该技术于有限上下文内将成本最高削减一半。在Terminal-Bench基准中，单次 rollout 的节省使得测试时扩展的性价比大幅提高，以不足两次完整上下文运行的花费，换取超10个百分点的提升。在并行测试时扩展场景下，CliffCompaction助力Kimi K2.6以更低代价追平Opus 4.7，并超越Opus 4.6与GPT-5.3 Codex。
内核加速与开源实现
在KernelBench评测中，该通用压缩技术展现出超越专用搜索算法及受过训智能体的表现。经过200步与400步的迭代，分别达成2.23倍与3.58倍的CUDA内核加速。为便利实际应用，作者开源了一个与脚手架无关的API代理实现版本，能够直接配合Claude Code、Codex及其他测试工具框架使用。
为什么值得看
解决长上下文智能体的高成本与信息漂移痛点，显著提升测试时扩展的性价比与跨会话持续学习能力。
GPTClaude智能体API
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。