論文の概要: TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents

• arxiv url: http://arxiv.org/abs/2610.15093v1
• Date: Sat, 10 Oct 2026 18:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.163275
• Title: TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents
• Title（参考訳）: TurnCost: 監視ではなく回転する - コーディングエージェントのためのキャッシュ対応ループエンジニアリング
• Abstract要約: 2つのエージェント足場と2つの言語モデルにまたがる600の公開コードエージェントトラジェクトリを分析した。 Turn countは、平均観測サイズが4%であるのに対して、ログ軌跡コストの84%のばらつきを説明している。 TurnCostは、代替キャッシング、価格設定、圧縮、ルーティングポリシの下で、トラジェクトリコーパスを再描画するツールです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI coding agents operate in iterative loops: they modify code, run tools, inspect the results, and decide what to do next. We call the design of this process loop engineering, which includes context management, model selection, compaction, and termination. Existing efficiency work mainly compresses tool observations or routes selected turns to cheaper models, but the practical opportunity for these optimizations remains unclear. We analyze 600 publicly released coding-agent trajectories spanning two agent scaffolds and two language models. Median observations contain only 118-286 tokens, while the large build logs commonly used to motivate compression occur near the ninety-ninth percentile. Moreover, 98.6% of input tokens are served from a prefix cache, so flat input pricing overestimates loop cost by roughly 7x on average under near-ideal caching. We derive and empirically validate a closed-form break-even condition for model delegation. Delegation increases cost in half of the evaluated settings, near the predicted boundary. More broadly, turn count explains 84% of the variance in log trajectory cost, compared with 4% for mean observation size; the most expensive trajectories have the most turns despite having the smallest observations. These associations suggest that observation-focused methods target a secondary cost factor, and identify unnecessary turns as the larger and largely unexamined opportunity, though we do not establish that turns can be removed while holding task success fixed. We release TurnCost, a tool for re-scoring trajectory corpora under alternative caching, pricing, compression, and routing policies.
• Abstract（参考訳）: AIコーディングエージェントは、コードを修正し、ツールを実行し、結果を検査し、次に何をするかを決定する。 我々は、コンテキスト管理、モデル選択、コンパクト化、終了を含むこのプロセスループエンジニアリングを設計と呼ぶ。 既存の効率的な作業は主にツールの観測や選択されたルートをより安価なモデルに圧縮するが、これらの最適化の実践的な機会はいまだ不明である。 2つのエージェント足場と2つの言語モデルにまたがる600の公開コードエージェントトラジェクトリを分析した。 中間観察では118-286トークンしか含まれていないが、90パーセンタイル付近で圧縮を動機付けるために一般的に使用される大きなビルドログは発生している。 さらに、入力トークンの98.6%はプレフィックスキャッシュから提供されるので、フラットな入力価格は、ほぼ理想的なキャッシュで平均して7倍のループコストを過大評価する。 我々はモデルデリゲートの閉形式破壊条件を導出し,実証的に検証する。 デリゲーションは、予測された境界付近で評価された設定の半分でコストを上昇させる。 より広範に、ターンカウントは、平均観測サイズが4%であるのに対して、ログ軌跡コストの84%のばらつきを説明できる。 これらの関連性から,2次的コストファクターを対象とし,不必要なターンを大規模かつ概ね検討されていない機会として特定することが示唆されているが,タスク成功を保ちながらターンを除去できることは確実ではない。 TurnCostは、代替キャッシング、価格設定、圧縮、ルーティングポリシの下で、トラジェクトリコーパスを再描画するツールです。

関連論文リスト

• Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning [104.97890382020937]
  エージェントメタ推論は,制御選択を明示的かつ構造化する推論時ハーネスである。 ワーカーはタスクレベルの計算を実行し、コントローラは実行が確立したものを統合する。 決定の間、コントローラはその全履歴を再生するのではなく、実行時のコンパクトな説明しか持たない。
  論文  参考訳（メタデータ） (2026-09-29T17:57:25Z)
• Agentic Autoresearch for Cell-Edge Power Control: Radically Redefining the Researcher's Role [5.210473713362396]
  我々は、AIエージェントが全体において自律エージェントに降伏できることを実証する。 我々は、AIエージェントがスクリプト、固定予算実験を編集し、不変メトリックに従ってコード変更を保持または破棄する自動検索プロトコルを採用する。 8時間26時間で、エージェントは1つの固定コストの推論で収束した最小化-最大化基準の99.5%、およそ600times$低い推論コストに達し、最初の作業アーキテクチャとのギャップの94%を閉じた。
  論文  参考訳（メタデータ） (2026-08-26T17:56:00Z)
• Same Task, Different Work: Prompt-Induced Waste in Coding Agents [0.0]
  2つのプロンプトは、同じコード変更を要求して、同じ正しいパッチを生成することができるが、コーディングエージェントは、根本的に異なる種類の作業を実行する。 この効果を,4,644回の有効実行,24個の決定論的コーディングタスク,7つの推論モデル,および2つの実エージェントハーネスにまたがる事前登録されたベンチマークで検討した。
  論文  参考訳（メタデータ） (2026-08-02T16:10:02Z)
• ETS: Efficient Tree Search for Inference-Time Scaling [61.553681244572914]
  テストタイムの計算スケーリングにおいて有望なアプローチのひとつは、プロセス報酬モデルに対する検索である。 木探索過程における軌跡の多様性は、多様性の増大がさらなる探索を促進するため、探索の精度に影響を与える。 本稿では,冗長なトラジェクトリを抽出し,必要な多様なトラジェクトリを維持しながら,KVの共有を促進する効率的なツリー探索(ETS)を提案する。
  論文  参考訳（メタデータ） (2025-02-19T09:30:38Z)
• Finding Transformer Circuits with Edge Pruning [71.12127707678961]
  自動回路発見の効率的かつスケーラブルなソリューションとしてエッジプルーニングを提案する。 本手法は,従来の手法に比べてエッジ数の半分未満のGPT-2の回路を探索する。 その効率のおかげで、Edge PruningをCodeLlama-13Bにスケールしました。
  論文  参考訳（メタデータ） (2024-06-24T16:40:54Z)
• Contextual Linear Optimization with Partial Feedback [35.38485630117593]
  本研究では,異なるタイプのフィードバックを持つ文脈線形最適化(CLO)のためのオフライン学習アルゴリズムのクラスを提案する。 我々は,IERMに対して,不特定モデルクラスとフレキシブルな推定方法の選択を可能にする,新しい高速遅延境界を提供する。
  論文  参考訳（メタデータ） (2024-05-26T13:27:27Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)

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。