清华团队提出CoACT压缩Coding Agent观察
热点事件持续更新
清华团队提出CoACT压缩Coding Agent观察
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
清华大学人工智能学院团队提出并报告了Coding Agent观察压缩方法CoACT，相关论文被ICSE 2027接收。该方法依据“下一步动作保持”（NAP）判据判断压缩是否保留了对后续操作有用的信息，以Qwen3.5-4B为基础进行离线监督微调和在线对齐训练。 在SWE-bench Verified和Terminal-Bench上，使用三个Agent模型的平均结果显示，总token减少33.0%，PASS@1由69.0%升至71.0%，交互步数由56.5降至51.2。训练过程中仅使用离线数据时PASS@1为56.0%，加入在线数据后升至60.5%。
AI 根据报道生成 · 3 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
11月13日
- AGI Hunt清华大学团队提出 CoACT 压缩 Coding Agent observation：节省 33% token，成功率提升 2 个百分点
清华大学团队提出 CoACT，用 NAP 判据压缩 Coding Agent 的 observation，以判断下一步动作是否改变。在 SWE-bench Verified 和 Terminal-Bench 上，三个 Agent 模型平均总 token 减少 33.0%，PASS@1 从 69.0% 升至 71.0%，交互步数从 56.5 降至 51.2。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。