RECAP：用 RL 训练长程 Agent 上下文压缩，SWE-bench 提升 4.3 个百分点

ETH/EPFL 合作团队发布 RECAP，一种面向长程任务 Agent 上下文压缩的 RL 训练方法。该方法将最终任务奖励与压缩前后的行为变化度量结合作为 RL 信号，使工具调用更少、轨迹更短。RECAP 在 BrowseComp-Plus 上从 58.2% 提升至 62.8%，在 SWE-bench Verified 上从 46.8% 提升至 51.1%，论文与代码均已开源。