论文页面 - 再花一个 Token 不值：高效深度研究智能体的边际价值估计

来源：https://huggingface.co/papers/2608.08389

摘要

在不同流水线阶段应用的剪枝策略可减少长周期研究智能体的 token 使用量和延迟，其中早期剪枝带来的效率提升最大。

长周期研究智能体通过迭代检索、聚合和综合来解决开放式任务，但上下文增长迅速，而额外证据的边际价值往往下降。这会导致不必要的 token 成本、更高的延迟，以及最终报告生成的输入噪声增加。我们研究了边际价值估计在深度研究智能体上下文管理中的应用，并首次对流水线中的剪枝策略进行了系统的阶段感知比较。我们评估了轻量级启发式标准和学习价值模型在检索前、检索后和综合前阶段的表现。我们的结果表明，剪枝的有效性更多地取决于剪枝的应用位置，而非具体的评分规则：早期剪枝能带来最大的端到端节省，而后期剪枝主要优化最终的综合上下文。轻量级启发式方法可减少高达 73% 的 token 使用量，且质量损失很小；学习式剪枝在选定的权衡上仍具竞争力；没有单一方法能在质量、效率和忠实度方面全面占优。这些发现为设计高效的长周期智能体系统提供了实用指导。

查看 arXiv 页面 (https://arxiv.org/abs/2608.08389) 查看 PDF (https://arxiv.org/pdf/2608.08389) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.08389)

在您的智能体中获取此论文：

hf papers read 2608\.08389

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

暂无链接此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2608.08389 即可从此页面链接到该模型。

引用此论文的数据集 0

暂无链接此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2608.08389 即可从此页面链接到该数据集。

引用此论文的 Space 0

暂无链接此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2608.08389 即可从此页面链接到该 Space。

包含此论文的收藏集 0

暂无包含此论文的收藏集

将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 即可从此页面链接到该收藏集。