論文の概要: VITAL-RAG: Invariance Race for Context Allocation in Coding Agents

• arxiv url: http://arxiv.org/abs/2607.26937v1
• Date: Wed, 29 Jul 2026 14:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.697722
• Title: VITAL-RAG: Invariance Race for Context Allocation in Coding Agents
• Title（参考訳）: VITAL-RAG: 符号化エージェントにおけるコンテキストアロケーションのための不変性レース
• Abstract要約: コーディングエージェントはリポジトリ全体からコードを取得することが多いが、最終的なモデル入力に適合する証拠は限られている。 我々は、標準コードオブジェクトによるエビデンスを整理するVITAL-RAGを導入し、すでに表現されていないセマンティクスを追加する場合にのみ、クエリ関連コンパニオンを1つ保持する。 RepoBenchでは、VITALRAGはRecall@4Kを39.59%から63.67%に改善し、証拠トークンを35.63%削減した。
• 参考スコア（独自算出の注目度）: 16.861820396751188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coding agents often retrieve code from an entire repository, but only limited evidence can fit into the final model input. Conventional retrieval-augmented generation (RAG) for coding agents treats fragments from the same code object as separate results, so redundant views can occupy multiple context positions and crowd out useful code. Grouping fragments by code object reduces this redundancy, but can discard local information needed for the task. We describe this tension as an invariance race: allocation should stay stable under redundant renderings but change when a fragment adds task-relevant semantics. To address this race, we introduce VITAL-RAG, which organizes evidence by canonical code object, keeps one query-relevant companion only when it adds semantics not already represented, and renders selected evidence under per-object and global token budgets. On RepoBench, VITALRAG improves Recall@4K from 39.59% to 63.67% while reducing evidence tokens by 35.63%. Across three model backends, it matches or outperforms recent baselines on RepoClassBench and achieves the highest raw Pass@1 on RepoExec.
• Abstract（参考訳）: コーディングエージェントはリポジトリ全体からコードを取得することが多いが、最終的なモデル入力に適合する証拠は限られている。 コーディングエージェントのための従来の検索強化生成(RAG)は、同じコードオブジェクトからのフラグメントを別の結果として扱うため、冗長なビューは複数のコンテキスト位置を占有し、有用なコードをクラウドアウトすることができる。 コードオブジェクトによるフラグメントのグループ化は、この冗長性を低減しますが、タスクに必要なローカル情報を破棄することができます。 割り当ては冗長なレンダリングの下で安定していなければならないが、フラグメントがタスク関連セマンティクスを追加すると変更される。 このレースに対処するために、標準コードオブジェクトによるエビデンスを整理するVITAL-RAGを導入し、すでに表現されていないセマンティクスを追加する場合にのみ、クエリ関連コンパニオンを1つ保持し、オブジェクトごとのトークン予算とグローバルトークン予算に基づいて、選択したエビデンスをレンダリングする。 RepoBenchでは、VITALRAGはRecall@4Kを39.59%から63.67%に改善し、証拠トークンを35.63%削減した。 3つのモデルのバックエンドで、RepoClassBenchの最近のベースラインにマッチまたは上回り、RepoExecで最高の生のPass@1を達成する。

関連論文リスト

• Adaptive Critical Token-Aware Retrieval for Repository-Level Code Generation [53.85136813868056]
  ACToRは、リポジトリレベルのコード生成のための適応型クリティカルトークン対応検索フレームワークである。 我々は、ACToRが、リポジトリレベルのベンチマークにおいて、最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-01T17:59:39Z)
• You Know What I Mean: A Benchmark for Agentic Conversational Reference Grounding [25.12009255757602]
  協調的な会話は、しばしば名前ではなく間接的な対象である参照を含んでいる。 我々はこの問題をCoRG(Conversational Reference Grounding)として定式化する。 CoRGは、会話と外部のワークスペースに分散した語彙、意味、時間的キューを組み合わせる。 GitHubイシュー、プルリクエスト、コミットに基礎を置いた400の開発者チャットセグメントのベンチマークであるRepoRefを通じて、CoRGを研究します。
  論文  参考訳（メタデータ） (2026-08-30T15:06:51Z)
• PRQ-KMeans: Projection Residual Quantization for Semantic ID Tokenization [19.51791274446621]
  残留量子化トークンは、各レベルでコードワードを選択し、次に残余を渡すことによって生成シーケンスを構築する。 コーパスワイドの共有コンポーネントは、ファーストレベル容量を消費し、ハードアサインは、近くのコードワードとグレードされた類似性を無視し、フルコードワードのサブトラクションは、選択されたコードワード方向に沿って、次の残余でばらつきを残すことができる。 提案するPRQ-KMeansは,グローバル平均成分を除去し,Top-k類似度重み付き更新によりセントロイドを洗練し,全符号サブトラクションをプロジェクション残差に置き換える。
  論文  参考訳（メタデータ） (2026-08-25T08:18:57Z)
• TraceCoder: Explainable and Auditable Code Generation with Position-Key Snippet Versioning [0.0]
  本稿では,3つの相補的なメカニズムによる欠点に対処するコード生成概念を提案する。 リレーショナルスニペット履歴スキーマレコード、修理イベント毎、ベンチマークリファレンス、ラウンド番号、障害テキスト、説明。 ブラウザベースの視覚化ツールは、この履歴をヒートマップされたホバリング注釈付きソースコードとして表現する。
  論文  参考訳（メタデータ） (2026-07-28T22:03:52Z)
• Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction [57.138342889101345]
  Tencent WorkBuddy Benchは、コーディングエージェントのためのマルチドメイン評価スイートである。 本報告では, 設計手法, スコアリングプロトコル, クロスモデルリーダーボードについて述べる。
  論文  参考訳（メタデータ） (2026-07-23T04:34:06Z)
• ContextSniper: AntTrail's Token-Efficient Code Memory for Repository-Level Program Repair [15.009388828577423]
  本稿では,AntTrail の Code-Repair モジュールであるContextSniper について述べる。 一致した50タスク/条件の比較では、ContextSniperはトークンの総使用量を51.5%削減し、ログのコストを36.4%削減した。 これらの結果は、ContextSniperが、修復品質の計測不能な損失を伴わずに、リポジトリレベルの修復エージェントのトークンとコストオーバーヘッドを大幅に削減できることを示唆している。
  論文  参考訳（メタデータ） (2026-07-02T09:15:28Z)
• 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)
• Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation [22.803751188961865]
  検索は類似性マッチングを超えて移動し、代わりに潜在コンポーネントを操作するべきだと我々は主張する。 我々は、無傷ユニットの階層を構築し、検索可能な高レベルノード組織を維持するxMemoryを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:04:58Z)
• DQFormer: Towards Unified LiDAR Panoptic Segmentation with Decoupled Queries [14.435906383301555]
  本稿では,統合ワークフローにセマンティックとインスタンスセグメンテーションを実装するDQFormerという新しいフレームワークを提案する。 具体的には,セマンティクスを用いた情報的クエリを局所化して提案する,疎結合なクエリジェネレータを設計する。 また、クエリ指向マスクデコーダを導入し、対応するセグメンテーションマスクをデコードする。
  論文  参考訳（メタデータ） (2024-08-28T14:14:33Z)
• Learning Spatial-Semantic Features for Robust Video Object Segmentation [108.045326229865]
  本稿では,空間意味的特徴と識別的オブジェクトクエリを学習する,ロバストなビデオオブジェクトセグメンテーションフレームワークを提案する。 DAVIS 2017 test (textbf87.8%)、YoutubeVOS 2019 (textbf88.1%)、MOSE val (textbf74.0%)、LVOS test (textbf73.0%)を含むベンチマークデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-10T15:36:00Z)
• SegVG: Transferring Object Bounding Box to Segmentation for Visual Grounding [56.079013202051094]
  ボックスレベルのアノテーションを信号として転送する新しい手法であるSegVGを提案する。 このアプローチでは,ボックスレベルのレグレッションとピクセルレベルのセグメンテーションの両方の信号としてアノテーションを反復的に利用することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:30:45Z)
• On The Importance of Reasoning for Context Retrieval in Repository-Level Code Editing [82.96523584351314]
  我々は、コンテキスト検索のタスクをリポジトリレベルのコード編集パイプラインの他のコンポーネントと分離する。 我々は、推論が収集された文脈の精度を向上させるのに役立っているが、それでもその十分性を識別する能力は欠如していると結論づける。
  論文  参考訳（メタデータ） (2024-06-06T19:44:17Z)
• Triplet Contrastive Learning for Unsupervised Vehicle Re-identification [55.445358749042384]
  部分的特徴学習は、車両の再識別におけるセマンティック理解にとって重要な技術である。 本稿では,クラスタ機能を活用したTCL(Triplet Contrastive Learning framework)を提案する。
  論文  参考訳（メタデータ） (2023-01-23T15:52:12Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)

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。