Исследователи представляют CliffCompaction, технику автокомпактизации, предназначенную для снижения затрат на долгосрочных кодовых агентах до 50% в рамках ограниченного контекста. Метод сохраняет или улучшает производительность на Terminal-Bench и достигает лучших результатов на KernelBench за счёт сохранения точности сжатой информации через усечение, а не перефразирование.

  • CliffCompaction добавляет более 10 процентных пунктов к результату на Terminal-Bench при стоимости менее двух полных контекстных запусков.
  • При параллельном масштабировании во время тестирования он позволяет Kimi K2.6 сравняться с Opus 4.7 и превзойти Opus 4.6 и GPT-5.3 Codex при более низкой стоимости.
  • Техника предотвращает дрейф контекста, отбрасывая предыдущий сжатый вывод и работая только с исходным содержимым.
  • На KernelBench он достигает ускорения CUDA-ядер в $2.23 imes$ после 200 шагов и в $3.58 imes$ после 400 шагов.
  • Реализация API-прокси, не зависящая от каркаса, открыта для использования с Claude Code, Codex и другими инструментами.

CliffCompaction делает компромисс между производительностью и стоимостью при масштабировании во время тестирования более эффективным, поддерживая непрерывное обучение в рамках сеансов, превышающих миллион токенов.