Meta 与 CMU 提出智能体上下文管理新方法 ACM,性能提升 27%

Meta 与 CMU 联合提出「智能体上下文管理」(ACM)方法,给长程任务中的 AI 智能体配上一套可自主决策的上下文编辑工具,让它自己判断该压缩、卸载还是保留信息,在检索类基准 BrowseComp-Plus 上把性能拉高 27%,逼近参数量是自己 40 倍的开源模型。

• 核心问题是长程任务里上下文窗口迟早撑爆,传统做法要么硬截断丢信息,要么靠人工设计的固定压缩规则,灵活性差。
• ACM 给智能体开放了「编辑」这一层能力:遇到旧信息可以选择压缩摘要、卸载到外部存储,或者需要时再查询取回,决策权交给模型自己而非写死的规则。
• 在 BrowseComp-Plus(偏长程检索/浏览的基准)上,带 ACM 的模型相对性能提升 27%,效果逼近体量大 40 倍的开源模型,说明上下文管理策略本身能带来接近「堆参数」的收益。
• 代码、数据集和模型权重已经开源,方便直接复现或迁移到自己的智能体框架里做长程任务优化。
• 对做长程 Agent(比如深度调研、多步浏览类任务)的团队,这提供了一条不靠加大模型、靠优化上下文管理就能提性能的低成本路径。

本内容由 AI 生成，仅供参考，请注意甄别