研究显示智能体历史行为对上下文压缩损害预测极弱

论文AI 评分 62/100arXiv 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。

长视野智能体常按全局token预算盲目压缩上下文,该研究探讨近期行为能否预测压缩损害。基于TRACE公开的590个AppWorld压缩边界语料,重放前缀状态并记录错误或重复调用负担。结果表明,边界前历史对压缩后损害预测极弱。最优冻结可解释触发器能避开21%有害边界并保留84%压缩机会,但在保留率匹配时是否优于token预算规则尚无法评估。该文被NeurIPS 2026的IAB Workshop接收。

为什么值得看

挑战了用智能体历史行为指导上下文压缩的直觉,为设计更优压缩触发机制提供实证基准与语料标准。

智能体论文

信源1 家

  1. [1]arXiv cs.AI一手信源Does an Agent's History Tell You When Compaction Will Hurt? A Modest, Bounded Effect on the TRACE Paired-Replay Corpus

关键事实

  • 研究基于TRACE公开的590个AppWorld压缩边界语料,重放前缀状态并记录错误或重复调用负担。[1]

  • 边界前历史对压缩后损害仅具弱预测力,最优扩展协议触发器在保留集上AUROC为0.66。[1]

  • 最优冻结可解释触发器能避开21%有害边界并保留84%压缩机会。[1]

  • 在保留率匹配时,最优触发器是否优于token预算规则无法在当前发布语料上评估。[1]

  • 该论文被NeurIPS 2026的IAB Workshop(非存档)接收。[1]

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。