arXiv cs.AI· Peiwen Li (Yale University), Harshit Verma (Yale University), Sophia Zhou (Yale University), Haiwen Wang (Yale University), Ngoc Bui (Yale University), Heng Chang (Tsinghua University), Fei Fei (Goodvision AI), David van Dijk (Yale University), Rex Ying (Yale University)·· 1 天前AI 评分34
CoReMem：面向连续编码任务的内化成本记忆框架
CoReMem: Cost-Internalizing Memory for Successive Coding Tasks with Prospective Valuation
AI 导读
CoReMem 是一个内化成本记忆框架，通过前瞻性片段估值比较下一任务有无继承轨迹片段的表现，引导构建以仓库位置和可执行检查为锚点的紧凑记忆。在 ChainSWE 上，27B actor 的解决率从 21.0% 提升至 25.7%，步数减少 17%，含记忆模块调用的总 cache-aware token 减少 11%。
正文 · AI 翻译
摘要：编码智能体在持续演进的代码仓库上处理接连不断的任务，在下一个任务未知之前就需携带既有编辑并写入记忆。为未知的后续任务选择记忆，需要在未来效用与写入、读取记忆的成本之间权衡。执行者还必须判断，随着任务展开，依据可用记忆行动何时能节省精力。我们提出编码仓库记忆（CoReMem），一个将成本内部化的框架，通过衡量记忆在下一个任务上的价值来指导记忆设计与执行者适配。前瞻性片段估值将同一继承仓库状态下、带与不带单个轨迹片段的下一任务运行进行对比，从而指导围绕锚点（仓库位置与可执行检查）构建的紧凑记忆。执行者适配在 rollout 组内估计带记忆与不带记忆的 on-policy 记忆价值，所用奖励优先考虑解决率，并对成功运行中的步数进行惩罚。来源门控价值信用将额外价值项分配给被识别为使用记忆提供的锚点的步骤，同时每一步都保留结果信用。在 ChainSWE 上，CoReMem 将 27B 执行者的解决率从 21.0% 提升至 25.7%，与未训练且无记忆的执行者模型相比，步数减少 17%，总缓存感知 token 数（包括记忆模块调用）减少 11%。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；软件工程（cs.SE） |
| 引用为： | arXiv:2611.17316 [cs.AI] |
| （或 arXiv:2611.17316v1 [cs.AI] 为本版本） | |
| https://doi.org/10.48550/arXiv.2611.17316 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Peiwen Li [查看邮箱]
[v1]
2026年11月12日 星期四 18:58:22 UTC（842 KB）
来源：arXiv cs.AI · arxiv.org