論文の概要: The Hidden Costs of Forgetting: A Study of Trajectory Deletion in Software Engineering Agents

• arxiv url: http://arxiv.org/abs/2610.35496v1
• Date: Mon, 26 Oct 2026 14:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.027982
• Title: The Hidden Costs of Forgetting: A Study of Trajectory Deletion in Software Engineering Agents
• Title（参考訳）: 偽造の隠れたコスト--ソフトウェア・エンジニアリング・エージェントの軌道削除に関する研究
• Abstract要約: 本報告では,42のトラジェクトリ・ドローテーション構成の実証的研究を行い,有効性,エージェントの挙動,コストに着目した。 大量のトラジェクティブコンテンツ(例:推論テキストの最大100%)を削除することは、全体的な効果を維持することができる。 エージェントはしばしば削除されたコンテンツを再フェッチすることで補償し、取られたターン数と入出力トークンの両方を増大させる。
• 参考スコア（独自算出の注目度）: 54.55463688857532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software engineering agents resend their entire trajectory to an LLM at every turn, motivating online trajectory reduction. Prior work shows that randomly deleting 75% of tokens in old turns may preserve agent effectiveness, but it remains unclear why, how agents compensate for missing content, and whether it actually reduces costs. This paper presents an empirical study of 42 trajectory-reduction configurations, focusing on effectiveness, agent behavior, and cost. We systematically explore deleting content from old turns by varying the scope, granularity, amount, and timing of deletion across 9,400 runs with two state-of-the-art agents on SWE-bench Verified. We find deleting large amounts of trajectory content (e.g., up to 100% of reasoning text) can preserve overall effectiveness. Importantly, such deletion must be applied with a delay, as immediate deletion tends to significantly degrade effectiveness. Agents often compensate for deleted content by re-fetching it, increasing both the number of turns taken and the input/output tokens. Whether trajectory reduction reduces costs depends on the pricing model: Under a flat pricing model, estimated costs fall in 26 of 42 evaluations. Surprisingly, under a caching-aware pricing model, zero evaluations yield lower costs, since reducing the trajectory breaks the cached prefix billed at a lower rate. Our findings have three implications: First, token counts alone are misleading; trajectory reduction techniques must consider overall costs under a realistic pricing model. Second, analyzing trajectories is crucial to understand agent behavior, as end-to-end effectiveness hides differences such as excessive re-fetching. Finally, these results highlight the need for future work on memory management to reduce costs without sacrificing effectiveness.
• Abstract（参考訳）: ソフトウェアエンジニアリングのエージェントは、すべての軌道を毎回LLMに再送し、オンラインの軌道削減を動機付けます。 以前の研究では、古いターンで75%のトークンをランダムに削除することで、エージェントの有効性が保たれることが示されている。 本稿では,42のトラジェクトリ・ドローテーション構成の実証的研究を行い,有効性,エージェントの挙動,コストに着目した。 我々は,SWE-bench Verifiedの2つの最先端エージェントを用いて,9,400回にわたる削除範囲,粒度,量,タイミングを変化させることで,古いターンからの削除内容を体系的に探索する。 大量のトラジェクティブコンテンツ(例:推論テキストの最大100%)を削除することは、全体的な効果を維持することができる。 重要なことは、即時削除は効果を著しく低下させる傾向があるため、そのような削除は遅延で適用されなければならない。 エージェントはしばしば削除されたコンテンツを再フェッチすることで補償し、取られたターン数と入出力トークンの両方を増大させる。 トラジェクティブ・リダクションのコスト削減は、価格モデルに依存する: フラットな価格モデルの下では、推定コストは42評価のうち26に低下する。 驚いたことに、キャッシュを意識した価格モデルでは、軌道の減少がキャッシュされたプレフィックスを低いレートで課金するので、ゼロ評価はコストを下げる。 まず、トークン数だけは誤解を招くものであり、トラジェクトリ還元技術は、現実的な価格モデルの下で全体のコストを考慮する必要がある。 第二に、エンド・ツー・エンドの有効性は過剰な再エッチングなどの違いを隠蔽するため、エージェントの振る舞いを理解するために軌道分析が不可欠である。 最後に、これらの結果は、効果を犠牲にすることなくコストを削減するために、メモリ管理の将来的な作業の必要性を強調している。

関連論文リスト

• TokenEconomizer: Experience-Driven Black-Box Cost Control for Coding Agents [55.689621132509394]
  TokenEconomizerは環境固有のトークンコストをタスク列で削減するコントローラである。 Claude Code、Codex、GitHub Copilot CLIとフロンティアモデルを組み合わせることで、TokenEconomizerは平均トークンコストを18.4～30.9%削減し、タスクの成功に匹敵する。
  論文  参考訳（メタデータ） (2026-10-15T23:06:57Z)
• TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents [0.0]
  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。
  論文  参考訳（メタデータ） (2026-10-10T18:03:24Z)
• Hard, Yet Reducible: Controlled Forward Transfer for Synthetic Degradation Curation [57.17927491453242]
  クリーンで劣化した双子は、コンテンツとラベルを共有し、短いトレーニングが劣化に起因する過度なエラーをどれだけ減らすかに基づくスコアを示唆する。 劣化タイプと重大度によって定義される領域に対して,textbf 制御による還元性劣化ギャップ (cRDG) を提案する。 cRDGは、劣化のトレーニングが利用可能な予算の下で高い制御利得をもたらす、修正可能な重大帯域を明らかにする。
  論文  参考訳（メタデータ） (2026-10-07T11:07:36Z)
• ReFold: Training-Free Reversible Inter-Turn Context Folding for Long-Horizon Agents [11.4603757827217]
  ロングホライゾンLSMエージェントは、各ステップでモデルに再送される追加のみの相互作用履歴に作用する。 既存の手法はコンテキスト要求予測を通じてコンテキストを管理する。 モデルのレンダリングコンテキストのみを圧縮しながら、基礎となるインタラクション履歴を保存する、トレーニング不要なレンダリング層であるReFoldを紹介します。
  論文  参考訳（メタデータ） (2026-10-06T07:09:54Z)
• 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)
• Token Reduction Is Not Cost Reduction [0.0]
  再建した4成分の約87%に占めるコスト構成は,急激なキャッシュトラフィックが支配的であった。 ローカルペイロードの削減は、エンドツーエンドの請求コストの信頼できる予測器ではなかった。 本稿では,トークンの削減のみではなく,成功調整請求コストによる文脈還元システムの評価を提案する。
  論文  参考訳（メタデータ） (2026-07-13T21:10:22Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• Improving the Efficiency of LLM Agent Systems through Trajectory Reduction [6.087402350213508]
  本稿では,エージェントのコスト削減のための推定時間トラジェクトリ削減手法を提案する。 AgentDietは入力トークンを39.9% 59.7%、最終計算コストを21.1% 35.9%削減し、同じエージェント性能を維持することができる。
  論文  参考訳（メタデータ） (2025-09-28T02:43:41Z)
• Reinforcement Learning with Segment Feedback [56.54271464134885]
  状態ごとの反応フィードバックと軌道フィードバックのギャップを埋める一般的なパラダイムを提供するRLというモデルを考える。 バイナリフィードバックの下では、$m$のセグメント数の増加は指数率で後悔を減少させるが、驚くべきことに、和フィードバックの下では、$m$の増加は後悔を著しく減少させるものではない。
  論文  参考訳（メタデータ） (2025-02-03T23:08:42Z)

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。