論文の概要: CORVUS: Context Optimization and Reduction Via Underlying Synchronization for LLM Coding Agents

• arxiv url: http://arxiv.org/abs/2607.22711v1
• Date: Mon, 20 Jul 2026 23:01:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.835985
• Title: CORVUS: Context Optimization and Reduction Via Underlying Synchronization for LLM Coding Agents
• Title（参考訳）: CORVUS:LLM符号化エージェントの同期化によるコンテキスト最適化と削減
• Abstract要約: CORVUSは、ファイル読み取りアクションを観察から切り離す新しいトラジェクトリアーキテクチャである。 建設によって実際の状態と同期したままの、より軽量な軌道を生成する。
• 参考スコア（独自算出の注目度）: 8.604672064317235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM coding agents operate by constructing trajectories that accumulate reasoning, tool calls, and results to enable multi-step decision-making. However, the conventional append-only trajectory architecture found in practice tightly couples file-read actions with their observations, capturing snapshots that become permanently fixed in the chronological history. As files change through agent edits or concurrent human modifications, these snapshots become stale, causing reasoning errors and causing agents to redundantly re-read files, with each re-read appending yet another copy to the trajectory. To mitigate this, we propose CORVUS, a novel trajectory architecture that decouples file-read actions from their observations by maintaining a synchronized registry of relevant files and injecting only their current contents at each reasoning cycle. This structural change produces significantly lighter-weight trajectories that remain synchronized with the actual codebase state by construction, eliminating redundant file copies and stale snapshots that bloat conventional trajectories. We evaluated CORVUS on SWE- POLYBENCH_VERIFIED and SWE-BENCH PRO across four LLMs, achieving 9-50% reduction in average input tokens per task, 15-32% shorter final prompts, and up to 37% fewer reasoning cycles while maintaining comparable pass rates.
• Abstract（参考訳）: LLMコーディングエージェントは、推論、ツールコール、結果を蓄積した軌道を構築して、多段階の意思決定を可能にする。 しかし、従来の追加のみの軌跡アーキテクチャは、通常、ファイル読み取りアクションを観察と密に結合し、時系列履歴において永久に固定されるスナップショットをキャプチャする。 ファイルがエージェントの編集や人間の同時修正によって変化すると、これらのスナップショットは不安定になり、推論エラーが発生し、エージェントが冗長にファイルを読み直す。 これを緩和するために,CORVUS という新しいトラジェクトリアーキテクチャを提案する。このアーキテクチャは,ファイルの同期レジストリを維持し,各推論サイクルにおける現在のコンテンツのみを注入することにより,ファイルを読み取る動作を観察から切り離す。 この構造変更は、ビルドによって実際のコードベース状態と同期したままの軽量なトラジェクトリを生成し、従来のトラジェクトリを肥大化する冗長なファイルコピーと古いスナップショットを排除します。 我々は,SWE-PolyBENCH_VERIFIEDとSWE-BENCH PROを4つのLLMで比較し,タスク毎の平均入力トークンを9～50%削減し,最終プロンプトを15～32%短縮し,最大37%低減し,パスレートを維持した。

関連論文リスト

• Latent Recurrent Transformer: Architecture Exploration, Training Strategies, and Scaling Behavior [107.2098567818173]
  Latent Recurrent Transformer (LRT) は自己回帰変換器の軽量化である。 LRTは、次のトークンのリカレントメモリとして、前のトークンから高レベルなソース層隠れステートを再利用する。
  論文  参考訳（メタデータ） (2026-05-26T10:10:26Z)
• 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)
• Slipstream: Trajectory-Grounded Compaction Validation for Long-Horizon Agents [8.880437352929315]
  Slipstream(スリップストリーム)は、判断器を用いてエージェントの継続的な推論に対して候補の要約を検証する、軌道上の圧縮システムである。 タスクの精度を最大8.8ポイント改善し、エンドツーエンドのレイテンシを最大39.7%削減する。
  論文  参考訳（メタデータ） (2026-05-09T00:47:43Z)
• A Parametric Memory Head for Continual Generative Retrieval [52.66674234249913]
  生成情報検索(GenIR)は、検索を単一のニューラルモデルに統合し、クエリから直接ドキュメント識別子(ドシデント)をデコードする。 逐次適応は、新たに追加された文書の検索を改善するが、以前のスライスの性能は著しく低下することを示す。 本稿では,モジュール型パラメトリックメモリヘッドで適応モデルを拡張するメモリのみの安定化ステージである,後適応メモリチューニング(PAMT)を提案する。
  論文  参考訳（メタデータ） (2026-04-25T17:38:51Z)
• DiffuRank: Effective Document Reranking with Diffusion Language Models [71.16830004674513]
  拡散言語モデル(dLLM)に基づいて構築されたフレームワークであるDiffuRankを提案する。 dLLMは、左から右への順序に制約されないより柔軟なデコーディングと生成プロセスをサポートする。 モデルサイズが類似した自己回帰LDMに匹敵する性能を示す。
  論文  参考訳（メタデータ） (2026-02-13T02:18:14Z)
• Accelerating Structured Chain-of-Thought in Autonomous Vehicles [55.78214218065611]
  チェーン・オブ・ソート(CoT)推論は、自律運転における視覚言語行動モデルの意思決定能力を高める。 FastDriveCoTはテンプレート構造CoTを高速化する新しい並列復号法である。
  論文  参考訳（メタデータ） (2026-02-02T22:14:26Z)
• DiffuSpec: Unlocking Diffusion Language Models for Speculative Decoding [66.40658898418316]
  DiffuSpecは、事前訓練された拡散言語モデル(DLM)を用いて、単一のフォワードパスでマルチトークンのドラフトを生成する、トレーニングフリーのドロップインフレームワークである。 ベンチマーク全体を通じて、DiffuSpecは最大3倍のウォールクロックスピードアップを達成し、投機的復号化のための自己回帰型ドラフトラの堅牢な代替手段として拡散ベースのドラフトを確立する。
  論文  参考訳（メタデータ） (2025-09-28T07:00:15Z)
• FastEagle: Cascaded Drafting for Accelerating Speculative Decoding [6.482154864678126]
  我々はFastEagleを紹介します。FastEagleは非自己回帰的なカスケードのドラフトで、ドラフト全体を1つのフォワードパスで出力します。 FastEagleは、競争力のある受け入れ動作を維持しながら、強力な自己回帰型ドラフトラに対して、ウォールタイムの大幅なスピードアップを提供する。
  論文  参考訳（メタデータ） (2025-09-24T09:38:32Z)
• Tracezip: Efficient Distributed Tracing via Trace Compression [26.353398496686854]
  分散トレースは、クラウドサービスシステムの監視とテストにおいて、基本的なビルディングブロックとして機能する。 ヘッドベースサンプリングは、システムに入ると追跡するリクエストを無差別に選択する。 テールベースのサンプリングは、まずすべてのリクエストをキャプチャし、次にエッジケーストレースを選択的に永続化する。 トレース圧縮による分散トレースの効率を向上させるため,Tracezipを提案する。
  論文  参考訳（メタデータ） (2025-02-10T10:13:57Z)
• Fast Chain-of-Thought: A Glance of Future from Parallel Decoding Leads to Answers Faster [61.83949316226113]
  FastCoTは並列デコーディングに基づくモデルに依存しないフレームワークである。 我々は、FastCoTが通常のアプローチと比較して、無視できる性能低下だけで、推論時間を20%近く削減できることを示します。
  論文  参考訳（メタデータ） (2023-11-14T15:56:18Z)

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。