ABBEL框架：提升LLM在长周期交互中的信念更新效率

随着任务周期的增长，大型语言模型的上下文不能无限扩展。自总结提供了一种简洁且可解释的上下文，但在性能上存在显著成本，尤其是在数据质量稀缺的人类协助领域，如协作代码生成。我们提出了ABBEL框架：一种隔离并监督自然语言信念状态中摘要信息内容的框架。

动机：递归摘要的成本
为了有效地辅助日益复杂的任务，如软件开发，语言模型必须能够在数百甚至数千步的交互中与我们互动。对于这样的长周期任务，将整个交互历史保存在上下文中是不切实际的。目前采用的经验方法是通过摘要生成，有时称为上下文压缩。例如，Cursor的最新模型Composer 2.5在训练期间使用压缩以提高性能（Cassano等，2026）。与作曲家一起，Grandcode（DeepReinforce等，2026），第一个在在线编码竞赛中 consistently beat all human competitors 的系统，尽管使用了最新的高效注意力模型（Qwen 3.5-397B），仍然发现有必要采用上下文摘要。