NVIDIA 研究：频繁上下文压缩可保长任务准确率，长上下文模型或非必需
nvidia · hf · 2026-11-04
NVIDIA 的论文「You don't need long context」提出：对长程与长输入任务，频繁进行上下文压缩（context compaction）即可保持任务准确率。
- 论文比较了三种机制：积累完整历史（FHA）、到达阈值时压缩（EoCC）、每次动作后压缩（SAC），后者维护可更新的语义状态并开启新对话。
- 实验显示频繁压缩能保留长任务表现，暗示专用长上下文语言模型可能并非必要，并支持发展语义状态空间模型这一方向。
「编程与Agent」频道最新
- 马斯克证实 Grok Bot 成本难以为继，Hermes 一键迁移抢用户 — Teknium · 2026-11-04
- 开源 agent Cindy 发布：跨设备共享任务、文件与模型 — yangyi · 2026-11-04
- 网友用多 Agent 循环工作流筛出 1132 个 B 站神级视频建站 — huangyun_122 · 2026-11-04
- 平面设计师用 Claude Code 两个月做出 NASA 数据驱动的 3D 太阳系 — Shevei1342 · 2026-11-04
- 不写代码：用 Claude 搭出助理、会计等 5 个虚拟员工 — evielync · 2026-11-04
- Replit 运营负责人自建 AI 应用：自动分级客服工单并路由处理流程 — amasad · 2026-11-04