Los investigadores presentan CliffCompaction, una técnica de autocompacción diseñada para agentes que manejan millones de tokens, la cual reduce los costos hasta en un 50% bajo contexto acotado. El método mantiene o mejora el rendimiento en Terminal-Bench y logra resultados de vanguardia en KernelBench al mantener la información fiel mediante truncamiento en lugar de reformulación.

  • CliffCompaction añade más de 10 puntos porcentuales en Terminal-Bench por menos del costo de dos ejecuciones de contexto completo.
  • Bajo escalado paralelo en tiempo de prueba, permite que Kimi K2.6 iguale a Opus 4.7 y supere a Opus 4.6 y GPT-5.3 Codex a menor costo.
  • La técnica previene la deriva del contexto al nunca compactar una compactación, operando únicamente sobre el contenido original y descartando salidas previas.
  • En KernelBench, alcanza aceleraciones de kernels CUDA de $2.23 imes$ después de 200 pasos y $3.58 imes$ después de 400 pasos.
  • Una implementación de API-proxy agnóstica al andamiaje se ha publicado como código abierto para su uso con Claude Code, Codex y otros harnesses.

CliffCompaction hace más eficiente la compensación entre rendimiento y costo del escalado en tiempo de prueba y sostiene el aprendizaje continuo a lo largo de sesiones que exceden un millón de tokens.