CompactionRL: обучение с подкреплением с компакцией контекста для long-horizon-агентов

Zhipu AI / Tsinghua University

исследования официальный 1 ист. ~1 мин

CompactionRL решает проблему ограничений контекстного окна в long-horizon-агентном RL, совместно обучая выполнение задач и суммаризацию траекторий. С помощью нормализации потерь на уровне токенов и оценки преимуществ между траекториями метод достигает 66.8% Pass@1 на SWE-Bench Verified (+7.0 п.п.). Впоследствии метод был применён при обучении GLM-5.2.

Почему это важно

Демонстрирует практический путь к масштабированию агентных моделей программирования за пределы ограничений контекстного окна; улучшение на SWE-Bench значимо, а production-развёртывание в GLM-5.2 подтверждает реальную применимость.

Важность: 3/5

Развёрнут в production (обучение GLM-5.2); улучшение на SWE-Bench Verified на +7 п.п. для long-horizon-агентов программирования.

rl long-context coding agentic reasoning swe-bench glm

Источники

официальный arXiv:2607.05378 — CompactionRL