論文の概要: Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files

• arxiv url: http://arxiv.org/abs/2610.21073v1
• Date: Thu, 15 Oct 2026 01:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.117546
• Title: Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files
• Title（参考訳）: 圧縮機をスキップする: コーディングエージェントがファイル選択時にもっと問題を修正する
• Abstract要約: コーディングエージェントは、コンテキストウィンドウが保持できるものよりもはるかに大きいリポジトリで動作する。 プロンプト圧縮機とレトリーバーはこの問題に対する解決策を提供する。 同一のトークン予算において、エージェントは、予算がどのファイルを選択して冗長性を示すかを選択すると、より多くの問題を解決する。
• 参考スコア（独自算出の注目度）: 18.663658881402608
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A coding agent works on repositories that can be far larger than its context window can hold. Prompt compressors and retrievers offer solutions to this problem, but patching an issue needs two things at once: the files that must change, and their code exactly as written, since the model must reproduce the lines it edits. Retrievers rank code by its similarity to the issue rather than by whether it must change, and compressors delete text to fit the budget. We show that at an equal token budget, an agent resolves more issues when the budget goes to choosing which files to show verbatim, as our simple selector CQ2-CARE does, than when it goes to pruning tokens or retrieving chunks. We fit every context to the same per-issue budget on 300 recent SWE-rebench issues and grade each patch with the benchmark's tests. With GPT-5.6 and Claude Opus 5, CQ2-CARE resolves 43.7% and 46.7% of the issues, 6.3 points more than the best of three compressors with either model, and 9.3 and 12.7 points more than the best of three retrievers. CQ2-CARE even resolves more issues than two methods trained for issue resolution, SweRank (by 0.7 and 1.7 points) and SWE-Pruner (by 2.0 and 7.3). Our analysis shows the defects of the baseline methods: retrievers often miss the files to edit, and compressors keep them but alter their text, so fewer patches apply. Exact-file selection needs no compression model and shows every line as the repository has it, so the model can quote the code it edits.
• Abstract（参考訳）: コーディングエージェントは、コンテキストウィンドウが保持できるものよりもはるかに大きいリポジトリで動作する。 プロンプト圧縮機とレトリバーはこの問題に対する解決策を提供するが、一度にパッチを当てるには2つのことが必要になる。 Retrieverは、変更が必要なかどうかではなく、問題と類似したランクコードでランク付けし、コンプレッサーは予算に合うようにテキストを削除する。 同一のトークン予算において、エージェントは、トークンのプルーニングやチャンクの検索よりも、単純なセレクタであるCQ2-CAREのように、どのファイルを選択するかという予算で解決する。 私たちは、最近の300のSWE-rebench問題に対して、すべてのコンテキストを同じ発行単位の予算に適合させ、ベンチマークのテストで各パッチをグレードします。 GPT-5.6 と Claude Opus 5 では、CQ2-CARE は43.7%と46.7%の問題を解き、6.3 は2つのモデルを持つ3つの圧縮機の最高値、9.3 と 12.7 は3つのレトリバーの最高値より大きい。 CQ2-CAREは、問題解決のために訓練された2つの方法、SweRank(0.7点と1.7点)とSWE-Pruner(2.0点と7.3点)よりも多くの問題を解決している。 私たちの分析では、ベースラインメソッドの欠陥が示されています。レトリバーはファイルを見逃して編集し、コンプレッサーはそれらを保存しますが、テキストを変更するので、パッチが適用されにくくなります。 Exact-fileセレクションは圧縮モデルを必要としないため、リポジトリが持つすべての行を表示するため、モデルが編集するコードを引用することができる。

関連論文リスト

• Simple Linear Corrections for Compression in Late Interaction [2.580765958706854]
  文書ベクトル圧縮後,スコアリング関数の軽量な変更が検索品質を回復できるかどうかを検討する。 エンコーダ,圧縮機,ベクトル予算の組み合わせごとに,大域的線形補正を学習する。 実験では、トレーニング不要な4つの圧縮方法、複数のベクトル予算、ドメイン内適応、MS MARCOからBEIRへの転送をカバーしている。
  論文  参考訳（メタデータ） (2026-10-09T18:08:54Z)
• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• Paritok-4B: Intent-Conditioned Context Compression for Coding Agents [0.9689471757238836]
  Paritok-4Bは、4BのLoRA圧縮機で、2つのコミットメントに基づいて構築されたコーディング・エージェント・トラジェクトリを駆動する。 書き直しではなくスパンを選択し、96.4%の識別子、パス、および出力した番号が入力にすでに表示されている。 エージェントの現在のタスクでは、主に保持されたセグメント内で動作し、どのラインが生き残るかを選択する。
  論文  参考訳（メタデータ） (2026-08-25T07:53:30Z)
• The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context [45.88028371034407]
  コード修復における制御ケーススタディを報告し,新しい現象ではない。 私たちは、同じスタック上の1つのフラグ(1チャンク毎の重複)を切り替えます。 BM25(3.2pp、重要なパラダイム間相互作用)を逆転させる。 厳格な固定予算では、ファイルごとのハードダイドプリケートや、タスクに対するA/Bパッケージングポリシは、メトリックフラグを調整しないことが示されます。
  論文  参考訳（メタデータ） (2026-08-14T19:22:50Z)
• Tevatron-Elastic: A Unified Abstraction for Training Elastic Retrievers and Rerankers [71.99661189378442]
  トランスベースのモデルは、3つの方法で小さくすることができる。 単一のオブジェクトがモデルの実行可能なサイズを指定し、短いスケジュールでトレーニング対象のサイズをリストアップする。 同じ抽象化は、レトリバーとリランカの両方と、エンコーダとデコーダの両方をカバーしている。
  論文  参考訳（メタデータ） (2026-08-09T16:45:28Z)
• Relevant but Incomplete: Referential Dangling as a Paradigm-Level Failure Mode in Hard Prompt Compression [18.435649248662944]
  保持されたテキストが応答を含む場合、削除されたテキストは、それを解釈するために必要なエンティティを定義し、結果参照ダングリングを呼び出します。 提案手法では, 省略文に対して, 保持テキストの解釈が必要か否かを判断し, アノテーションを推論時にサポートせずに上位候補を再試行する。
  論文  参考訳（メタデータ） (2026-08-05T07:58:53Z)
• Line-Anchored Feedback Cuts Token Costs and Improves Correctness in AI Code Editing [0.0]
  生成トークンは、生成AI(GAI)コード編集のコスト、レイテンシ、エネルギの直接的なドライバである。 フィードバックの形式は3つすべてに対してレバーであることを示す。 ラインアンコールされたフィードバックは、より強力なモデルに費やされるコストを削減し、より弱いモデルで得られるコストを改善する。
  論文  参考訳（メタデータ） (2026-07-14T12:40:27Z)
• Claw-SWE-Bench: A Benchmark for Evaluating OpenClaw-style Agent Harnesses on Coding Tasks [75.92297551160692]
  OpenClawのような汎用エージェントは、自律的なツールユーザとしてますます利用されている。 マルチリンガルなSWEベンチマークおよびアダプタプロトコルであるClaw-SWE-Benchを紹介する。 Claw-SWE-Benchは、SWEスタイルの符号化エージェント評価の第一級軸として、ハーネスとコスト会計を扱う。
  論文  参考訳（メタデータ） (2026-06-10T17:16:23Z)
• Compressing Many-Shots in In-Context Learning [61.231471139896506]
  マルチショットプロンプトを圧縮することにより,ICL推論のメモリと計算効率を向上させる手法を提案する。 まず,既存のプロンプト圧縮手法がマルチショット圧縮には有効でないことを示す。 本稿では,レイヤワイド圧縮手法であるMemComを提案する。
  論文  参考訳（メタデータ） (2025-10-17T16:57:42Z)
• SWE-bench: Can Language Models Resolve Real-World GitHub Issues? [80.52201658231895]
  SWE-benchは、実際のGitHub問題から引き出された2,294ドルのソフトウェアエンジニアリング問題と、人気のあるPythonリポジトリ12ドルのプルリクエストで構成される評価フレームワークである。 我々は、最先端のプロプライエタリモデルと微調整モデルSWE-Llamaの両方が、最も単純な問題だけを解決できることを示します。
  論文  参考訳（メタデータ） (2023-10-10T16:47:29Z)

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。