热点事件历史事件
清华提出 CoACT:压缩 Coding Agent 观察以降低 Token 开销
1 篇报道1 个报道来源4 天前更新
先了解这件事
AI 综述
2026年11月13日,清华大学人工智能学院团队提出 CoACT,一种面向 Coding Agent 的 observation 压缩方法,以「下一步动作保持(NAP)」为目标。报道称,该方法在 SWE-bench Verified 的 200 个实例、三个 Agent 模型上平均减少 33.0% 总 token 消耗,平均 PASS@1 从 69.0% 升至 71.0%。目前该工作处于方法发布阶段,尚无后续独立复现或应用进展的报道。
AI 根据报道生成 · 3 天前更新
最新进展11月13日 14:28
清华团队提出 CoACT,称在 SWE-bench Verified 上平均减少 33% token 消耗。报道时间线
沿着报道,了解事件的不同侧面。
11月13日
- 机器之心(公众号)清华提出 CoACT:为 Coding Agent 压缩 observation,降低 33% Token 开销
清华大学人工智能学院团队提出 CoACT,一种面向 Coding Agent 的 observation 压缩方法,以「下一步动作保持(NAP)」为目标,在 SWE-bench Verified 的 200 个实例、三个 Agent 模型上平均减少 33.0% 总 token 消耗,平均 PASS@1 从 69.0% 升至 71.0%。
本事件热度走势
当前热度 3·可比范围峰值 8(11月13日 21:00)·近 24 小时可比范围变化 -51%
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。