LaMR(잠재 다중 기준)은 코딩 에이전트의 레포지토리 컨텍스트를 의미적 증거와 의존성 지원이라는 두 차원으로 분해해 정제하는 구조적 프루닝 프레임워크다. 각 차원에 전용 CRF를 사용하고 혼합 전문가 게이팅 네트워크가 쿼리에 따라 차원별 출력을 동적으로 가중하며, AST 기반 프로그램 분석으로 추가 라벨링 비용 없이 다중 기준 라벨을 도출한다. SWE-Bench Verified 등 4개 벤치마크에서 16개 헤드-투-헤드 비교 중 12개에서 승리했다. 다중 턴 에이전트 과제에서 최대 31% 더 많은 토큰을 절약하고 단일 턴 과제에서 Exact Match를 최대 +3.5 개선한다.
- •단일 목적 CRF의 모델링 병목을 의미적 증거와 의존성 지원 두 차원으로 분해해 해결한다.
- •AST 기반 프로그램 분석으로 추가 라벨링 비용 없이 다중 기준 라벨을 도출하다.
- •4개 벤치마크 중 12개 비교에서 승리하며 풀 컨텍스트 베이스라인과 동등하거나 마닝간 성능을 자주 달성한다.
- •다중 턴 에이전트 과제에서 토큰 최대 31% 절약, 단일 턴 과제에서 Exact Match +3.5 개선을 달성한다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Context Pruning for Coding Agents via Multi-Rubric Latent Reasoning
- 1.LaMR은 코드 관련성을 의미적 증거와 의존성 지원 두 차원으로 분해해 컨텍스트를 정제하는 프레임워크
- 2.코딩 에이전트 토큰 예산 대부분이 불필요한 코드 읽기에 소비되는 병목을 해결
- 3.SWE-Bench 등 4개 벤치마크에서 멀티턴 작업 토큰 31% 절감, EM 최대 3.5점 향상
- 4.강력한 모델로 컴파일한 아티팩트를 소형 모델에 재사용 가능한 구조
왜 중요한가?
LLM 기반 코딩 에이전트의 실용적 배포에서 토큰 효율을 크게 개선하면서 성능도 향상시켜, 대규모 코드 리포지토리 대상 AI 에이전트의 경제성을 높인다.
본문 미리보기
arXiv:2605.15315v1 Announce Type: new Abstract: LLM-powered coding agents spend the majority of their token budget reading repository files, yet much of the retrieved code is irrelevant to the task at hand. Existing learned pruners compress this context with a single-objective sequence labeler, collapsing all facets of code relevance into one score and one transition matrix. We show that this formulation creates a modeling bottleneck: a single CRF transition prior must serve heterogeneous reten
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
