清华提出 CoACT 为 Coding Agent 降低 33% Token 开销

1 篇收录报道1 家独立信源交叉印证持续跟踪至 2026/11/13 14:28:00

全景综述与最新动态

1 家信源交叉印证

清华大学人工智能学院团队提出 CoACT，一种面向 Coding Agent 的 observation 压缩方法，核心思路是不以压缩结果与原文的相似度为目标，而是以压缩后 Agent 下一步动作是否保持一致为优化目标，从而避免删去后续仍会被用到的信息。在 SWE-bench Verified 的 200 个实例与三个 Agent 模型上，CoACT 平均降低 33.0% 总 token 消耗，PASS@1 从 69.0% 提升至 71.0%，任务表现基本无损。该工作已被 CCF A 类会议 ICSE 2027 直接接收。

最新动向/清华大学人工智能学院团队提出 CoACT，一种面向 Coding Agent 的 observation 压缩方法，核心思路是不以压缩结果与原文的相似度为目标，而是以压缩后 Agent 下一步动作是否保持一致为优化目标，从而避免删去后续仍会被用到的信息。在 SWE-bench Verified 的 200 个实例与三个 Agent 模型上，CoACT 平均降低 33.0% 总 token 消耗，PASS@1 从 69.0% 提升至 71.0%，任务表现基本无损。该工作已被 CCF A 类会议 ICSE 2027 直接接收。

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。

报道时间线

共 1 篇 · 最新优先

机器之心 (微信公众号)T211月13日 14:28·78 分
清华提出 CoACT 为 Coding Agent 降低 33% Token 开销
原标题：ICSE 2027 | 清华提出CoACT：降低Coding Agent 33% Token开销
- observation 在 SWE-bench Verified 上占总 token 消耗 45.7%，在 Terminal-Bench 上最高达 67.8%，是压缩的主要目标
- CoACT 以动作保持为优化目标而非文本相似度，规避了删去后续仍需信息的风险
- 平均降低 33.0% token 消耗，PASS@1 从 69.0% 升至 71.0%，论文与代码均已公开
查看关联报道与研判原始网页