字节 SWE-Pruner Pro 给编码智能体省 39% token 还不掉点
ByteDance · hf · 2026-07-21
这项工作在做什么
字节和合作者发现，coder LLM 自己的内部表征里，其实已经包含了判断工具输出该不该保留的信号。
方法
- SWE-Pruner Pro 不再外挂一个独立代码分类器，而是把 pruning 直接放进 agent 内部。
- 一个小 head 读取模型内部表征，对每一行输出做 keep/prune 预测。
- 还加了基于长度的 embedding，显式建模每个 tool output 的行数。
实验结果
- 在两个开源底座和四个多轮基准上，最多能省下 39% 的 prompt 和 completion token，同时不损失任务质量。
- 在 MiMo-V2-Flash 上，SWE-Bench Verified resolve rate 还提升了 3.8 个点，Oolong 长上下文准确率提升 2.2 个点。
所属事件:字节推SWE-Pruner Pro让编码智能体自剪上下文(3 条相关)→
「编程与Agent」频道最新
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用 prompt 造硬件:一次对话让智能体组装定制设备寄到家 — paraschopra · 2026-09-11
- 模型之外才是关键:一文拆解 RAG 到多智能体的六大 AI 架构 — goyalshaliniuk · 2026-09-11
- 零基础开发者自建分层记忆架构，仅 20k token 记住一年对话 — matteoianni · 2026-09-11