Los investigadores presentan CliffCompaction, una técnica de autocompacción diseñada para reducir los costos de los agentes de codificación de largo alcance hasta en un 50 % bajo un contexto acotado. El método mantiene o mejora el rendimiento en Terminal-Bench y logra resultados de última generación en KernelBench al mantener la información compactada 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 descartando la salida compactada previa y operando únicamente sobre el contenido original.
- 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 basada en API-proxy agnóstica al andamiaje se ha publicado como código abierto para su uso con Claude Code, Codex y otros marcos.
CliffCompaction hace más eficiente la compensación entre rendimiento y costo del escalado en tiempo de prueba, sosteniendo el aprendizaje continuo a lo largo de sesiones que superan un millón de tokens.