چکیده
عاملان اغلب روی مشکلات پیچیده کار می‌کنند که نیاز به میلیون‌ها توکن زمینه دارند؛ به دلیل محدودیت پنجره زمینه، نیازمند فشرده‌سازی بین جلسات است. ما CliffCompaction را توسعه دادیم، یک تکنیک کمپاسکشن خودکار که هزینه را تا ۵۰٪ کاهش می‌دهد و در عین حال عملکرد را در Terminal-Bench حفظ یا بهبود می‌بخشد و نتایج جدیدی در مقیاس‌دهی زمان تست و دستیابی به بهترین‌های حاضر در KernelBench ایجاد می‌کند. صرفه‌جویی در هر رول‌آوت از CliffCompaction باعث می‌شود تعادل عملکرد-هزینه در مقیاس‌دهی زمان تست بهینه‌تر شود و بیش از ۱۰ نقطه درصد در Terminal-Bench را با هزینه کمتر از دو اجرای کامل پنجره به دست آورد. در مقیاس‌دهی متوازی زمان تست، CliffCompaction به Kimi K2.6 اجازه می‌دهد تا Opus 4.7 را برابر کند و Opus 4.6 و GPT-5.3 Codex را با هزینه کمتر شکست دهد. کلی اثربخشی CliffCompaction این است که اطلاعات فشرده‌شده را با حذف یا قطع کردن تنها محتوا حفظ می‌کند و هرگز بازنویسی یا فشرده‌سازی مجدد آن انجام نمی‌دهد. اطلاعات فشرده‌شده هرگز مجدداً فشرده نمی‌شوند---هر گام فقط روی محتوای اصلی عمل می‌کند و خروجی قبلی فشرده‌شده دور ریخته می‌شود، که از تجمع انحراف زمینه جلوگیری می‌کند. این ویژگی‌ها یادگیری مداوم را در جلسات بیش از یک میلیون توکن پشتیبانی می‌کند: در KernelBench، CliffCompaction پس از ۲۰۰ گام به سرعت $2.23\times$ و پس از ۴۰۰ گام به $3.58\times$ می‌رسد و حتی علی‌رغم آنکه یک تکنیک کمپاسکشن عمومی است، از الگوریتم‌های جستجوی تخصصی و عاملان آموزش‌شده برتری دارد. ما یک پیاده‌سازی API-proxy بدون وابستگی به اسکافولد از CliffCompaction را به صورت متن‌باز عرضه می‌کنیم که قابل استفاده با Claude Code، Codex و سایر ابزارهاست.
متن کامل
کامپیوتر‌ساینس > هوش مصنوعی arXiv:2609.26779v1 (cs) [ارسال‌شده در ۲۲ سپتامبر ۲۰۲۶]
عنوان: کلیف‌کامپکشن: فشرده‌سازی بهینه از نظر هزینه برای عامل‌های برنامه‌نویسی افق طولانی
نویسندگان: ترانگ نگوین، اولرانگ چو، بینگ‌چینگ چن، تیم دتمرز
نمایش PDF مقاله: CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents, by Trang Nguyen and 3 other authors
نمایش PDF HTML (آزمایشی)
چکیده:
عامل‌ها اغلب بر روی مسائل پیچیده‌ای که به میلیون‌ها توکن متن نیاز دارند، کار می‌کنند و به دلیل پنجره متن محدود، فشرده‌سازی بین نشست‌ها ضروری است. ما کلیف‌کامپکشن را توسعه دادیم؛ تکنیکی خودکار برای فشرده‌سازی که هزینه را تا ۵۰٪ در متنی با پنجره محدود کاهش می‌دهد و در عین حال عملکرد را در ترمینال‌بنچ حفظ یا بهبود می‌دهد و سطحی جدید از کارایی را برای مقیاس‌پذیری زمان آزمایش و نتایج پیشرو در کرنل‌بنچ به دست می‌آورد. صرفه‌جویی هر بار اجرای کلیف‌کامپکشن، تعادل عملکرد و هزینه و مقیاس‌پذیری زمان آزمایش را به‌طور مؤثر بهبود می‌بخشد و با هزینه‌ای کمتر از دو اجرای متن کامل، بیش از ۱۰ درصد نقطه افزایش به ترمینال‌بنچ اضافه می‌کند. تحت مقیاس‌پذیری موازی زمان آزمایش، کلیف‌کامپکشن به کیمی K2.6 اجازه می‌دهد تا عملکردی مشابه اپوس ۴.۷ داشته باشد و اپوس ۴.۶ و GPT-5.3 Codex را با هزینه کمتر فراتر راند. کلید کارایی کلیف‌کامپکشن این است که اطلاعات فشرده‌شده را با صرفاً حذف محتوا، بدون بازنویسی یا بازصیاغی، وفادارانه حفظ می‌کند. هرگز فشرده‌سازی را روی خود فشرده‌سازی اعمال نمی‌کنیم؛ هر عبور فقط روی محتوای اصلی عمل می‌کند و خروجی فشرده‌شده قبلی دربر گرفته می‌شود، به‌طوری که از تجمع انحراف متن جلوگیری می‌شود. این ویژگی‌ها یادگیری مداوم را در نشست‌هایی با بیش از یک میلیون توکن حفظ می‌کنند: در کرنل‌بنچ، کلیف‌کامپکشن پس از ۲۰۰ گام در شتاب‌دهی CUDA kernel به مقدار $2.23\times$ و پس از ۴۰۰ گام به $3.58\times$ می‌رسد و الگوریتم‌های جستجوی تخصصی و عامل‌های آموزشی را رد می‌کند، در حالی که یک تکنیک عمومی فشرده‌سازی است. ما یک پیاده‌سازی API-proxy از کلیف‌کامپکشن که اسکافولد-بی‌حس است را متن‌باز می‌کنیم؛ قابل استفاده با Claude Code، Codex و سایر قاب‌ها.
موضوعات: هوش مصنوعی (cs.AI); یادگیری ماشین (cs.LG); مهندسی نرم‌افزار (cs.SE)
نقل شده: arXiv:2609.26779 [cs.AI] (یا arXiv:2609.26779v1 [cs.AI] برای این نسخه)
https://doi.org/10.48550/arXiv.2609.26779
تاریخچه ارسال از: Thien Trang Nguyen Vu [نمایش ایمیل] [v1] سه‌شنبه, 22 سپتامبر 2026 17:55:59 UTC (417 KB)
ابزارهای بیبلیوگرافی ابزارهای بیبلیوگرافی و نقل‌قولی اکسپلورر بیبلیوگرافی تغییر اکسپلورر بیبلیوگرافی (اکسپلورر چیست؟) مقالات متصل تغییر مقالات متصل (چیست مقالات متصل؟) لیتماپ تغییر لیتماپ (چیست لیتماپ؟) scite.ai تغییر scite Smart Citations (چیست Smart Citations؟)
کد، داده، رسانه کد، داده و رسانه مرتبط با این مقاله alphaXiv تغییر alphaXiv (چیست alphaXiv؟) پیوندهای کد تغییر CatalyzeX Code Finder for Papers (چیست CatalyzeX؟) DagsHub تغییر DagsHub (چیست DagsHub؟) Got
چهره (Huggingface چیست؟) علم‌پخش Toggle علم‌پخش (ScienceCast چیست؟) نمونه‌ها Demos (Replicate چیست؟) فضاها Toggle فضای Hugging Face (Spaces چیست؟) فضاها Toggle TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط پیشنهاددهنده‌ها و ابزارهای جستجو لینک به تأثیرگذاری گل تأثیر (Influence Flower چیست؟) پیشنهاددهنده هسته Toggle پیشنهاددهنده هسته (CORE چیست؟) نویسنده مکان مؤسسه موضوع درباره arXivLabs arXivLabs: پروژه‌های آزمایشی با همکاران جامعه arXivLabs یک چارچوب است که به همکاران اجازه می‌دهد ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت ما توسعه دهند و به اشتراک بگذارند. هم افراد و هم سازمان‌هایی که با arXivLabs کار می‌کنند، ارزش‌های ما شفافیت، جامعه، عالی‌بودن و حریم خصوصی داده کاربران را درک کرده و پذیرفته‌اند. arXiv متعهد این ارزش‌ها است و فقط با شرکایی کار می‌کند که پایبند آن‌ها باشند. ایده‌ای برای پروژه‌ای دارید که برای جامعه arXiv ارزش افزوده کند؟ بیشتر درباره arXivLabs بیشتر بدانید. کدام نویسندگان این مقاله تأییدکننده هستند؟ | غیرفعال کردن MathJax (MathJax چیست؟)