Microsoft Research· Aaron J. Liu, Weijia Xu, Chandan Singh, Jeevana Priya Inala, Bin Yu, Ion Stoica, Michel Galley, Jianfeng Gao·· 40 分鐘前精選AI 評分66
TokenEconomizer:Microsoft Research 外掛在 SWE-Bench 上將 AI 編碼代理成本降低 18.4–30.9%
TokenEconomizer: Learning from Experience to Make AI Coding Agents More Efficient
AI 導讀
TokenEconomizer 是來自 UC Berkeley、Microsoft Research 與 Microsoft Security 的開源外掛,在六個儲存庫的 277 項 SWE-Bench 任務上,於五種 AI 編碼代理與模型組合中將成本降低 18.4–30.9%,任務成功率大致穩定。它透過三種機制從代理在儲存庫中的過往工作階段學習:加入一行儲存庫註記的微技能、修剪未使用的工具,以及失敗迴圈介入——當評判模型發現代理卡住時,建議改用不同做法。在 Web-Bench 上節省幅度也達到 16.0–21.2%,在安全稽核上為 6.4–19.6%,且到第六項任務時,每個儲存庫的累計成本都低於預設值。
推薦理由
Microsoft Research 與 UC Berkeley 的外掛透過從儲存庫的過往工作階段學習,在 SWE-Bench 上將編碼代理的 token 成本降低 18.4–30.9%,且無須更動模型。
來源:Microsoft Research · microsoft.com