SoL-Pi：降低Agent运行开销的代价
SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness
优化工具调用、上下文和日志处理。在51个留出任务上，Sol的全机制配置减少49% token与33.2% API成本，得分从44.833降至42.003；最佳成绩配置不同。代码公开，前期搜索成本与任务泛化仍有限。
相关期次：2026-09-19 精选
阅读笔记
Juju Radar · 2026-09-19
NVIDIA 等机构的 SoL-Pi，把改进对象放在 Agent 的运行框架，而非模型参数上。研究团队让 Agent 提出并测试优化方案，经过152个假设、535个可执行环境和3000多次运行，保留下几种能减少重复开销的办法。
其中一些做法很具体：把改文件与后续测试合并进一次工具请求；长输出先保留完整记录，之后用短摘要和可回查的引用；压缩测试日志时，校验退出状态、关键原文等证据，出错就退回原始输出。上下文压缩也要算账，节省的后续开销需要抵过重写缓存的成本。
效果有两面。在冻结的51个留出任务上，四种机制一起启用时，GPT-5.6 Sol 的 token 用量减少49%，API 成本减少33.2%，平均得分却从44.833降到42.003。另一种偏重成绩的配置只选部分机制，得分更高，但不能把它与“省一半 token”拼成同一个结果。
这个项目的价值，是把工具调用、日志和上下文的浪费变成可测量的问题。扩展代码已公开，但任务集仍有限，前期搜索本身也很花钱；它不等于模型已经能够无成本地递归自我升级。做 Coding Agent 的读者，可以先看日志压缩的失败回退设计。
论文17日提交、18日公告；本期未独立复现。
本期资料：https://www.asteronline.cn/juju-radar/2026-09-19/
笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。