- 论文公开站arXiv
扩展执行框架而非上下文：从无策略脚手架到可复用专家智能体
Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents
摘要显示，该研究提出 Growing Harness 训练范式，从仅暴露固定模型与工具接口、不含任务求解控制器的无策略脚手架出发，利用函数级执行轨迹将失败定位到有限代码范围，由优化器联合修复一组失败，并以成功优先的留出集门控回滚有害修改，使控制结构从任务反馈中逐步涌现。在 BrowseComp-Plus 与 WebArena-Verified 及 4B 至 120B 三种模型上，六种设置中五种平均成功率最高，第六种落后最优 0.7 个百…
意义：该工作把智能体控制逻辑沉淀为可复用代码而非反复填充上下文，显著降低调用次数与推理成本，并为小模型补齐长程任务能力提供新思路。
- 论文公开站arXiv
CliffCompaction：面向长时程编码智能体的低成本压缩
CliffCompaction: Cost-Efficient Compaction for Long-Horizon Coding Agents
摘要显示，CliffCompaction 是一种自动压缩技术，在有限上下文窗口下可将成本降低最多 50%，同时在 Terminal-Bench 上保持或提升性能，并在 KernelBench 上取得领先结果。其核心在于压缩时只截断或丢弃内容，绝不改写重述，且每轮压缩只处理原始内容、丢弃旧压缩产物，以避免上下文漂移。摘要称其在 KernelBench 上 200 步后实现 2.23 倍、400 步后 3.58 倍的 CUDA 内核加速。
意义：为长周期编程智能体提供低成本上下文管理方案，使测试时扩展更经济，并开源 API 代理实现，便于开发者集成。
- 主题公开站Google News · 大模型
大模型成本控制：从训练到推理的省钱策略
摘要显示，大模型使用费用高昂，尤其API调用。文章分享成本优化技巧，如缓存、模型蒸馏、混合使用等，帮助个人和企业降低开销。
意义：为开发者和企业提供实用的成本优化思路，有助于降低AI应用门槛，提升资源利用效率。
- 论文公开站arXiv
潘多拉AI模型路由盒：代价高昂的价值估计下的高效分配
Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation
摘要显示，异构AI系统通过路由查询至最有效且成本最低的专家模型，可提升质量与效率，但价值估计需付出代价。该研究将这一权衡形式化为潘多拉盒子问题，在高斯信号模型下推导出闭式信息价值表达式，提出集中式路由策略Pandora's Router和去中心化策略Pandora's Bidder。实验表明，Pandora's Router在匹配穷举估计路由质量的同时，显著减少昂贵估计器的调用次数。
意义：为AI系统提供成本感知的路由策略，降低多模型推理开销，对构建高效、经济的LLM服务具有直接指导意义。
