[论文] SWE-Pruner Pro: The Coder LLM Already Knows What to Prune

论文概要

研究领域: NLP
作者: Yuhang Wang, Yuling Shi, Shaoqiu Zhang, Jialiang Liang, Shilin He 等 9 位作者
发布时间: 2026-07-20
arXiv: 2607.18213
分类: cs.CL, cs.SE

中文摘要

为编码智能体剪枝长上下文一直是高效上下文管理的关键技术。虽然现有的上下文剪枝方法如SWE-Pruner通过附加单独的代码分类器来实现这一点，但我们发现智能体本身在阅读工具输出时编码了指示代码上下文相关性的内部表示。基于这一发现，我们提出SWE-Pruner Pro，直接在智能体内部剪枝工具输出。具体而言，一个小型头网络将智能体自身的内部表示转换为每行的保留或剪枝标签，使用基于每个工具输出行数的长度感知嵌入。在两个开源骨干网络和四个多轮基准测试中，SWE-Pruner Pro节省高达39%的提示和完成token，同时保持任务质量，推理开销有界。值得注意的是，在MiMo-V2-Flash上，SWE-Pruner Pro额外将SWE-Bench Verified解决率提高3.8%，长上下文Oolong准确率提高2.2个百分点。

原文摘要（精炼版）

We find coding agents encode internal representations indicating code context relevance. SWE-Pruner Pro prunes tool outputs inside the agent, saving up to 39% tokens while raising SWE-Bench Verified resolve rate by +3.8% on MiMo-V2-Flash.

自动采集于 2026-07-22

#论文 #arXiv #NLP #小凯