論文の概要: AttnCompress: Dynamic Attention-Guided Trajectory Compression for Software Engineering Agents
- arxiv url: http://arxiv.org/abs/2609.08318v1
- Date: Tue, 08 Sep 2026 06:42:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.598967
- Title: AttnCompress: Dynamic Attention-Guided Trajectory Compression for Software Engineering Agents
- Title（参考訳）: AttnCompress: ソフトウェアエンジニアリングエージェントのための動的注意誘導軌道圧縮
- Abstract要約: 本稿では,動的注意誘導軌道圧縮フレームワークであるAttnCompressを紹介する。
AttnCompressは意味的整合性と動的適応性のギャップを埋める。
合格率は53.17%で、最先端のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 33.01897134024342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The transition from human-centric assistance to Autonomous Software Engineering (ASE) agents has enabled the resolution of complex real-world SE tasks. However, the trial-and-error nature of these agents generates lengthy interaction trajectories, creating severe bottlenecks in terms of context window limits and cost. While context compression offers a potential remedy, prior approaches suffer from static pruning strategies and granularity mismatches, often failing to preserve the semantic dependencies and syntactic details crucial for SE tasks. To strictly preserve critical task evidence while reducing context length, we introduce AttnCompress, a dynamic attention-guided trajectory compression framework. Unlike existing approaches, AttnCompress bridges the gap between semantic integrity and dynamic adaptability through three key mechanisms: (1) structure-aware segmentation via perplexity (PPL) spikes to preserve the syntactic structure of code and logs; (2) relevance estimation using proxy attention weights to quantify the precise relevance of historical blocks to the agent's current reasoning; and (3) a dynamic rolling window to re-evaluate and recall historical context as the task evolves. Extensive evaluation on SWE-Bench-Verified and Multi-SWE-Bench demonstrates that AttnCompress achieves a pass rate of 53.17%, outperforming prior state-of-the-art baselines while reducing token consumption by 21.6% and total costs by 33.6%. The framework proves to be model-agnostic and generalizes effectively across diverse programming languages.
- Abstract（参考訳）: 人間中心のアシストから自律ソフトウェアエンジニアリング(ASE)エージェントへの移行により、複雑な実世界のSEタスクの解決が可能になった。
しかし、これらのエージェントの試行錯誤の性質は、長い相互作用軌跡を発生させ、コンテキストウィンドウの限界とコストの点で深刻なボトルネックを生じさせる。
コンテキスト圧縮は潜在的な対策を提供するが、事前のアプローチは静的プルーニング戦略と粒度のミスマッチに悩まされ、SEタスクに不可欠なセマンティック依存関係と構文の詳細を保存できないことが多い。
文脈長を減らしながら重要なタスクエビデンスを厳密に保存するために,動的注意誘導軌道圧縮フレームワークであるAttnCompressを導入する。
既存のアプローチとは異なり、AttnCompressは、(1)パープレキシティ(PPL)スパイクによる構造認識セグメンテーションによってコードとログの構文構造を保存し、(2)エージェントの現在の推論に対する履歴ブロックの正確な関連性を定量化するためのプロキシアテンション重みを用いた関連推定、(3)タスクが進化するにつれて履歴コンテキストを再評価する動的ローリングウィンドウの3つの主要なメカニズムを通じて、意味的整合性と動的適応性のギャップを橋渡しする。
SWE-Bench-VerifiedおよびMulti-SWE-Benchの広範囲な評価は、AttnCompressが53.17%のパスレートを達成し、トークン消費を21.6%削減し、総コストを33.6%削減したことを示している。
このフレームワークはモデルに依存しないことを証明し、多様なプログラミング言語で効果的に一般化する。
関連論文リスト
- SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。
本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
論文 参考訳（メタデータ） (2026-06-11T17:59:36Z) - Planning-aligned Token Compression for Long-Context Autonomous Driving [95.59023657139208]
条件付きVQ-VA上に構築した計画整合型ワーキングメモリフレームワークを提案する。
圧縮は歴史的軌跡と学習した計画意図の両方で条件付けられている。
歴史的文脈が行動の正確性に最も重要となる高信号動的シナリオについて評価する。
論文 参考訳（メタデータ） (2026-06-05T17:16:21Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - OMG-Agent: Toward Robust Missing Modality Generation with Decoupled Coarse-to-Fine Agentic Workflows [9.617220633655716]
textbfunderlineOmni-textbfunderlineModality textbfunderlineGeneration Agent (textbfOMG-Agent)について述べる。
論文 参考訳（メタデータ） (2026-02-04T02:25:40Z) - AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。
このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
論文 参考訳（メタデータ） (2026-01-28T16:05:44Z) - Context as a Tool: Context Management for Long-Horizon SWE-Agents [38.950807465620365]
我々は,エージェントの意思決定プロセスに統合された呼び出し可能なツールにコンテキストメンテナンスを高める新しいコンテキスト管理パラダイムであるCATを提案する。
CATは、安定なタスクセマンティクス、凝縮した長期記憶、高忠実な短期相互作用からなる構造化されたコンテキストワークスペースを形式化する。
我々は,SWE圧縮機が57.6%の解率に達し,ReActベースのエージェントと静的圧縮ベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2025-12-26T17:15:47Z) - Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。
問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。
BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
論文 参考訳（メタデータ） (2025-12-20T12:06:13Z) - SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。
エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。
textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。
本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
論文 参考訳（メタデータ） (2025-12-17T12:25:05Z) - Multi-Agent Collaborative Framework for Intelligent IT Operations: An AOI System with Context-Aware Compression and Dynamic Task Scheduling [0.0]
クラウドネイティブアーキテクチャは、現代的なITインフラストラクチャを極めて複雑で不安定なものにしています。
我々は,3つの専門エージェントとLLMベースのコンテキスト操作を統合する,新しいマルチエージェント協調フレームワークであるAOI(AI-Oriented Operations)を提案する。
論文 参考訳（メタデータ） (2025-12-15T23:22:02Z) - Accelerating Chain-of-Thought Reasoning: When Goal-Gradient Importance Meets Dynamic Skipping [3.521097198612099]
Adaptive GoGI-Skipは、教師付き微調整によって動的CoT圧縮を学ぶ新しいフレームワークである。
CoTトークンの数を平均で45%以上削減し、1.6～2.0倍の推論スピードアップを実現している。
特に、高い効率の圧縮速度でも精度を保ち、既存のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2025-05-13T09:39:18Z)
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。