Что произошло
На arXiv опубликована статья CORVUS: Context Optimization and Reduction Via Underlying Synchronization. Авторы предлагают альтернативу стандартной «append-only» траектории (протоколу действий агента), в которой каждое чтение файла создаёт статичную копию его содержимого в хронологии. Проблема: при редактировании файлов агентом или человеком такие копии устаревают, вызывая ошибки рассуждений и избыточные повторные чтения. CORVUS заменяет их синхронизированным реестром файлов, чьё содержимое подтягивается актуальным на каждом шаге.
Почему это обсуждают
Проблема «разрастания контекста» — одна из ключевых для практических кодинг-агентов. Современные агенты (Cline, CodeAct, OpenHands) страдают от дублирования содержания одних и тех же файлов в истории. CORVUS предлагает структурное решение: не хранить снапшоты, а держать реестр файлов и подставлять их текущую версию при каждом вызове модели. Это принципиально иной дизайн, а не просто усечение контекста.
Что подтверждено
Исследователи протестировали CORVUS на SWE-PolyBench Verified и SWE-Bench Pro для четырёх моделей (конкретные не указаны). Результаты:
| Punkt | Detail |
|---|---|
| Сокращение входных токенов | 9–50% в среднем на задачу |
| Сокращение длина финального промпта | 15–32% |
| Сокращение циклов рассуждений | до 37% |
| Частота прохождения (pass rate) | сопоставима с baseline |
Метрики получены на наборах задач по исправлению ошибок в реальных репозиториях. Работа прошла рецензирование в процедуре arXiv cs.LG.
Что остаётся неясным
Архитектура описана на уровне концепции и прототипа; код не опубликован (на момент сигнала). Не раскрыто, какие именно LLM тестировались, и как CORVUS ведёт себя в долгоживущих сессиях с множеством файлов. Также не указано влияние на время выполнения – экономия токенов может частично нивелироваться дополнительными запросами к реестру.
Что проверить дальше
Стоит следить за репозиторием проекта (если появится), а также за тестами на более сложных бенчмарках вроде SWE-Bench LITE. Практикам полезно сравнить CORVUS с существующими подходами: Agentic RAG, самоконтейнирование контекста и sliding window.
Источник: оригинальная статья на arXiv https://arxiv.org/abs/2607.22711
Верификация: страница arXiv Labs https://arxiv.org/