Nuovo Framework Migliora gli Agenti di Codifica AI Tramite Rappresentazioni Compatte di Traiettorie

Un nuovo framework per il ridimensionamento in fase di test specificamente progettato per la codifica agentica è stato presentato in un documento di ricerca, affrontando le carenze delle tecniche attuali. Mentre i metodi esistenti eccellono con output brevi e limitati che possono essere classificati o confrontati, incontrano difficoltà con gli agenti di codifica a lungo orizzonte. Questi agenti generano traiettorie estese che includono azioni, osservazioni, errori e progressi parziali, complicando i confronti diretti. L'ostacolo principale non è solo produrre più tentativi, ma piuttosto utilizzare efficacemente le esperienze precedenti per la selezione e il riutilizzo. Il framework proposto trasforma ogni rollout dell'agente in un riepilogo conciso, conservando ipotesi essenziali, progressi e modalità di fallimento mentre omette dettagli meno significativi. Questa rappresentazione semplificata consente due metodi complementari di ridimensionamento in fase di inferenza, incluse tecniche Recursive To per il ridimensionamento parallelo. Lo studio, incentrato sul miglioramento dei modelli linguistici di grandi dimensioni tramite strategie di calcolo in fase di test migliorate per compiti di codifica complessi, è stato pubblicato su arXiv con identificatore 2604.16529v1 e identificato come sottomissione cross-type.