論文の概要: SWE-Pruner Pro: The Coder LLM Already Knows What to Prune
- arxiv url: http://arxiv.org/abs/2607.18213v1
- Date: Mon, 20 Jul 2026 17:47:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.727056
- Title: SWE-Pruner Pro: The Coder LLM Already Knows What to Prune
- Title（参考訳）: SWE-Pruner Pro: Coder LLMは、すでに何を作るかを知っている
- Abstract要約: 本稿では,エージェント内で直接出力するSWE-Pruner Proを提案する。
小さなヘッドは、エージェントの内部表現を各行の保持またはプルラベルに変換する。
SWE-Pruner Proは、タスク品質を維持しながら、プロンプトと完了トークンの最大39%を節約する。
- 参考スコア（独自算出の注目度）: 22.559496420976483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pruning long context for coding agents has been a vital technology for efficient context management. While existing context pruning methods such as SWE-Pruner realize this by attaching a separate code classifier, we find the agent itself encodes internal representations indicating the relevance of code context when reading tool output. Based on this finding, we propose SWE-Pruner Pro, which prunes tool outputs directly inside the agent. Concretely, a small head turns the agent's own internal representations into a keep-or-prune label for each line, with a length-aware embedding keyed to each tool output's line count. Across two open-weight backbones and four multi-turn benchmarks, SWE-Pruner Pro saves up to 39% of prompt and completion tokens while preserving task quality, with bounded inference overhead. Notably, on MiMo-V2-Flash SWE-Pruner Pro additionally raises the SWE-Bench Verified resolve rate by +3.8% and the long-context Oolong accuracy by +2.2 points.
- Abstract（参考訳）: コーディングエージェントの長いコンテキストを抽出することは、効率的なコンテキスト管理にとって重要な技術である。
SWE-Prunerのような既存のコンテキストプルーニング手法は、別個のコード分類器をアタッチすることでこれを実現するが、エージェント自体がツール出力を読み込む際のコードコンテキストの関連性を示す内部表現を符号化している。
そこで本研究では,エージェント内で直接出力するSWE-Pruner Proを提案する。
具体的には、小さなヘッドは、エージェントの内部表現を各行の保持または帰属ラベルに変換し、各ツール出力の行数にキーを付けた長さ認識の埋め込みを行う。
2つのオープンウェイトなバックボーンと4つのマルチターンベンチマークで、SWE-Pruner Proは、タスク品質を維持しながらプロンプトと完了トークンの最大39%を節約し、バウンド推論オーバーヘッドを発生させる。
特に、MiMo-V2-Flash SWE-Pruner Proでは、SWE-Bench検証解決率を+3.8%、長文のOolong精度を+2.2ポイント引き上げている。
関連論文リスト
- ROPE: Routed Origin Policy Enforcement against Indirect Prompt Injection [61.4148196085256]
本稿では,信頼という構造概念に根ざしたROPE(Routed Origin Policy Enforcement)について述べる。
提案手法では,(1)軌道の各段階において,攻撃可能コンテンツのみを起点とする値が,原点保護パラメータに到達しない,(2)注入のリワードがない,という2つの保証が認められている。
論文 参考訳（メタデータ） (2026-08-27T01:22:14Z) - Function-Aware Fill-in-the-Middle as Mid-Training for Coding Agent Foundation Models [49.259951930558]
コーディングエージェントは、継続的な推論に外部ツールリターンを統合する必要がある。
我々は,中等教育における機能意識の充足を通じてこれを活用する。
論文 参考訳（メタデータ） (2026-07-14T07:44:26Z) - KAT-Coder-V2.5 Technical Report [61.907486544595336]
KAT-Coder-V2.5は、実際の実行可能リポジトリ内で自律的に動作するよう訓練されたコーディング中心のエージェントモデルである。
マルチ言語リポジトリをサンドボックス環境に再構築し、フェイル・ツー・パスとパス・ツー・パスの検証を大規模に行う。
我々はさらに、ハーネスランダム化による強化学習、信頼性の強化されたサンドボックス、非対称なアクター-クリティックPPO、およびハイチ指向の報酬フレームワークをスケールする。
論文 参考訳（メタデータ） (2026-07-06T08:14:02Z) - TRACE: Business Rule-Grounded Reasoning Curriculum for Knowledge-Preserving Parametric Tool Retrieval in Enterprise LLMs [1.4680035572775534]
パラメトリック検索は、各APIにユニークな仮想トークンを割り当て、制約されたビームサーチを通じてモデルをトレーニングすることで、ツールを暗黙的に検索することを可能にする。
トレーニング中にパラメトリックツールの知識を破壊し、ビーム検索のデコーディングはリアルタイムデプロイメントには遅すぎる。
本稿では,この解離を解決する2段階のカリキュラムであるTRACE(Tool Retrieval via Augmented Chain-of-thinkt and Enterprise Rule)を紹介する。
論文 参考訳（メタデータ） (2026-06-22T23:15:35Z) - Context Pruning for Coding Agents via Multi-Rubric Latent Reasoning [14.508049757681862]
LLMベースのコーディングエージェントは、トークンの予算の大部分をリポジトリファイルを読むのに費やしている。
この定式化がモデリングのボトルネックを生み出すことを示す。
コード関連性を2つの解釈可能な品質次元に分解する構造化プルーニングフレームワークであるLaMRを提案する。
論文 参考訳（メタデータ） (2026-05-14T18:30:10Z) - GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。
長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。
我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
論文 参考訳（メタデータ） (2026-04-18T17:59:15Z) - SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding [41.98672557723593]
SWEQA-Proは,多種多様な長期リポジトリと実行可能な環境から構築されたベンチマークである。
さらに,2段階のトレーニングレシピであるSupervised Fine-Tuning(SFT)とReinforcement Learning from AI Feedback(RLAIF)という,スケーラブルな合成データパイプラインを提案する。
SWE-QA-ProのGPT-4oを2.3ポイント超え、最先端モデルとのギャップを大幅に狭める。
論文 参考訳（メタデータ） (2026-03-17T05:12:48Z) - SWE-Pruner: Self-Adaptive Context Pruning for Coding Agents [32.69890220986935]
我々は,コーディングエージェントのための自己適応型コンテキストプルーニングフレームワークであるSWE-Prunerを提案する。
SWE-Prunerは、長いコンテキストに対してタスク対応の適応型プルーニングを実行する。
SWE-Bench Verifiedのようなエージェントタスクで23～54%のトークン削減を実現し、LongCodeQAのようなシングルターンタスクで最大14.84倍の圧縮を実現している。
論文 参考訳（メタデータ） (2026-01-23T13:51:59Z) - M3-Bench: Multi-Modal, Multi-Hop, Multi-Threaded Tool-Using MLLM Agent Benchmark [45.755057449698825]
M3-Benchは、Model Context Protocolの下で使用されるマルチモーダルツールを評価するための最初のベンチマークである。
我々は,各ツールコールをシリアライズし,文エンコーダにシグネチャを埋め込む類似性駆動アライメントを導入し,類似性に富んだハンガリー語マッチングを実行する。
ベンチマークは28のサーバと231のツールにまたがっており、人間による検証でExecutor & Judgeパイプラインを通じてキュレートされた標準化されたトラジェクトリを提供する。
論文 参考訳（メタデータ） (2025-11-21T19:27:02Z) - SLICEMATE: Accurate and Scalable Static Program Slicing via LLM-Powered Agents [11.069304685402642]
SliceMateはLarge Language Model (LLM)エージェントを利用した新しい静的プログラムスライシングソリューションである。
明示的な依存グラフ構築の必要性を回避し、より優れたスライシング精度を実現する。
厳密な評価のために,2200のJavaプログラムとPythonプログラムを手動でアノテートした新しい高品質ベンチマークであるSliceBenchを構築した。
論文 参考訳（メタデータ） (2025-07-25T04:51:47Z) - Acting Less is Reasoning More! Teaching Model to Act Efficiently [87.28134636548705]
ツール統合推論は、タスクを解決するために外部ツールを呼び出す機能によって、大きな言語モデルを拡張します。
現在のアプローチは、外部ツールの使用効率や必要性を考慮せずに、最終的な正確性のためにのみ最適化されている。
最小限のツールコールで正確な回答をモデルに提示するフレームワークを提案する。
このアプローチでは,ツールコールを最大68.3%削減し,ツールの生産性を最大215.4%向上すると同時に,同等の回答精度を維持している。
論文 参考訳（メタデータ） (2025-04-21T05:40:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。