TraceLite: 광학 압축 및 중복 제거를 통한 SWE 에이전트의 효율적인 추적 기록 축소

원문 발행 2026. 10. 21. 02:53원문 언어 영어AI 한국어 번역arXiv Codex (cs.SE) 원문 보기

요약

본 기사는 SWE 에이전트의 방대한 상호작용 추적 기록으로 인한 토큰 소비 및 오버헤드 문제를 해결하기 위한 프레임워크 TraceLite를 제안합니다. TraceLite는 광학 렌더링을 활용하여 이질적인 관찰 내용을 압축하고, 중복성을 제거하며, 단계 만료 페이로드를 폐기하는 비훈련 기반의 방법을 사용합니다. 평가 결과, 기존 기준선보다 높은 해결률을 유지하면서 토큰 소비와 API 비용을 크게 절감했습니다.

핵심 포인트

TraceLite는 광학 렌더링으로 SWE 에이전트 추적 기록을 압축합니다.
중복성 제거 및 단계 만료 페이로드 폐기로 효율성을 높였습니다.
GPT-5.6-Luna, Gemini-3.8Flash 등 백본 모델에서 성능을 입증했습니다.
토큰 소비와 API 비용을 절감하면서도 문제 해결 능력을 유지합니다.

소프트웨어 엔지니어링(SWE) 에이전트는 반복적인 도구 사용을 통해 리포지토리 수준의 작업을 해결하지만, 이들의 지속적으로 증가하는 상호작용 추적 기록은 상당한 토큰 소비와 추론 오버헤드를 초래합니다. 기존의 압축 접근 방식들은 종종 모델 훈련, 보조 LLM 호출 또는 소스 코드 같은 특정 콘텐츠에 대한 가정을 필요로 합니다. 우리는 이질적인 SWE 에이전트 관찰 내용을 압축하기 위한 간단하면서도 효과적이며, 훈련이 필요 없는 프레임워크인 TraceLite를 제시합니다. 우리의 예비 연구는 광학 렌더링(optical rendering)이 적당한 압축 하에서도 상당한 텍스트 및 의미 정보를 보존하며, 에이전트 궤적은 단계 간(cross-step) 및 단계 수준(phase-level)의 중복성을 모두 보여준다는 것을 나타냅니다. 이러한 발견에 동기 부여되어, TraceLite는 최근 관찰 내용을 고화질 텍스트로 유지하고, 과거 관찰 내용을 압축된 이미지로 렌더링하며, 중첩되는 콘텐츠를 제거하고, 코드 편집 후 단계가 만료된(phase-expired) 관찰 페이로드(payload)를 폐기합니다. 이는 오프라인 훈련이나 보조 LLM 추론을 필요로 하지 않습니다. 우리는 GPT-5.6-Luna 및 Gemini-3.8Flash를 백본 모델로 사용하여 SWE-bench Verified와 DeepSWE에서 TraceLite를 평가했습니다. SWE-bench Verified에서 TraceLite는 78.25%의 해결률(resolve rate)을 달성하여, 평가된 압축 기준선들을 능가하는 동시에 평균 입력 토큰 소비 및 API 비용을 각각 33.05%, 21.30% 감소시켰습니다. 더욱이, 관찰당 단지 0.438초의 압축 지연 시간만을 추가합니다. 이러한 결과는 TraceLite가 낮은 처리 오버헤드를 가지면서도 문제 해결 능력을 저하시키지 않아 SWE 에이전트의 효율성을 향상시킨다는 것을 입증합니다. 우리의 코드는 https://github.com/xjywhu/TraceLite에서 이용 가능합니다.

AI 자동 생성 콘텐츠

원문 바로가기

TraceLite: 광학 압축 및 중복 제거를 통한 SWE 에이전트의 효율적인 추적 기록 축소

요약

핵심 포인트

댓글