arxiv arXiv cs.AI · há 3 h · research

CliffCompaction reduz custos de agentes de codificação em 50% mantendo o desempenho

Traduzido do English → Português (BR)

Pesquisadores apresentam o CliffCompaction, uma técnica de autocompactação projetada para reduzir custos para agentes de codificação de longo alcance em até 50% sob um contexto limitado. O método mantém ou melhora o desempenho no Terminal-Bench e alcança resultados de estado da arte no KernelBench ao manter as informações compactadas fiéis por meio de truncamento em vez de reformulação.

CliffCompaction adiciona mais de 10 pontos percentuais no Terminal-Bench por menos do que o custo de duas execuções com contexto completo.
Sob escalonamento paralelo no tempo de teste, permite que o Kimi K2.6 iguale o Opus 4.7 e exceda o Opus 4.6 e o GPT-5.3 Codex a um custo menor.
A técnica previne a deriva do contexto descartando a saída compactada anterior e operando apenas no conteúdo original.
No KernelBench, alcança acelerações de kernel CUDA de $2.23 imes$ após 200 etapas e $3.58 imes$ após 400 etapas.
Uma implementação de API-proxy agnóstica ao scaffold foi lançada como código aberto para uso com Claude Code, Codex e outros harnesses.

O CliffCompaction torna o trade-off entre desempenho e custo do escalonamento no tempo de teste mais eficiente, sustentando o aprendizado contínuo ao longo de sessões que excedem um milhão de tokens.

Importância 2/3 Novo ambiente de avaliação com diferenciais arXiv cs.AI Anthropic OpenAI AI agents Inference efficiency

Artigos relacionados

arxiv arXiv cs.LG · há 5 h · 9 visualizações

CliffCompaction reduz os custos de agentes de codificação de longo alcance em até 50% mantendo o desempenho

Pesquisadores apresentam o CliffCompaction, uma técnica de autocompactação projetada para agentes que lidam com milhões de tokens, que corta custos em até 50% sob contexto limitado. O método mantém ou melhora o desempenho no Terminal-Bench e alcança resultados de estado da arte no KernelBench ao manter a fidelidade das informações por meio de truncamento em vez de reformulação.

media AI News (smol.ai) · há 43 d · 42 visualizações

Meta lança modelo de pesos abertos Muse Glimmer 30B; Anthropic melhora limite de Riemann

A Meta lançou o Muse Glimmer, um modelo multimodal denso de 30B otimizado para implantação local de agentes sob a licença Apache 2.0, enquanto também prometeu futuros pesos para o Muse Spark 1.2.

lab OpenAI News · há 11 h · 16 visualizações

Reduza pela metade o tempo e o custo de pesquisa com GPT-6 Astra

A Parallel integrou o GPT-6 Astra da OpenAI em sua infraestrutura de agentes de IA, alcançando uma redução de 50% tanto no tempo de pesquisa quanto nos custos de código em comparação com modelos anteriores. A empresa relata que o novo modelo permite que os agentes concluam trabalhos de conhecimento complexo significativamente mais rápido, mantendo alta qualidade de saída.

media Latent Space · há 1 d · 13 visualizações

TypeSafe AI apresenta Jev, um modelo System One treinado com Aprendizado por Reforço para Decisões Calibradas

A TypeSafe AI lançou o Jev, uma nova classe de modelos "System One" projetados para ambientes de produção. O CEO da empresa e coautor do artigo InstructGPT, Diogo Almeida, argumenta que os modelos atuais de ponta priorizaram alinhamento e recusas em detrimento da confiabilidade, levando a problemas como alucinações e sycophancy.

github AutoGPT · há 4 d · 23 visualizações

Plataforma AutoGPT v0.8.0 adiciona suporte a GPT-6 Astra, Opus 5 e Gemini 3.8 Flash

A Plataforma AutoGPT v0.8.0 introduz suporte para vários novos modelos de IA, incluindo GPT-6 Astra, Claude Opus 5, atualizações avançadas da Anthropic, Claude Fable 5.1 e Google Gemini 3.8 Flash. O lançamento também adiciona o Modo de Voz AutoPilot, permitindo operação sem uso das mãos, e habilita especialistas a realizar tarefas com dados públicos quando as conexões são ignoradas.