量子位 (微信公众号)T2·78 分
MetaGPT 提出 LAR 框架 压缩动作链降低 Agent 推理成本
原标题：token直省27%！Agent推理慢的病因找到了：不在模型，在决策链太长 | NeurIPS'26
- LAR 将重复性高的多步动作序列编码为可学习的潜在动作单元
- 通过减少有效决策步骤而非仅加速单步生成来降低整体推理成本
- 该方法已被 NeurIPS 2026 接收，实测可降低约 27% 的 Token 消耗
返回热点榜
agent热度 7.0°
AI 聚合热点事件 · 2026/10/27
MetaGPT 提出 LAR 框架 压缩动作链降低 Agent 推理成本
1 篇收录报道1 家独立信源交叉印证持续跟踪至 2026/10/27 14:13:00
全景综述与最新动态
1 家信源交叉印证MetaGPT 团队在 NeurIPS 2026 发表研究，提出潜在动作重参数化（LAR）方法。该方案将智能体轨迹中高频、稳定的多步文本动作压缩为单一“潜在动作”，从而缩短决策链条。实验显示，此方法能显著减少 Token 消耗并提升推理效率，解决了传统优化仅关注单步速度而忽略整体链路长度的瓶颈。
最新动向/MetaGPT 团队在 NeurIPS 2026 发表研究，提出潜在动作重参数化（LAR）方法。该方案将智能体轨迹中高频、稳定的多步文本动作压缩为单一“潜在动作”，从而缩短决策链条。实验显示，此方法能显著减少 Token 消耗并提升推理效率，解决了传统优化仅关注单步速度而忽略整体链路长度的瓶颈。
逐小时热度走势
2 个完整观测小时连续完整观测不足 3 个小时，暂不绘制趋势曲线。