MetaGPT等团队提出LAR潜在动作重参数化，通过缩短决策链降低Agent推理成本

MetaGPT联合多所高校提出潜在动作重参数化（LAR），将Agent轨迹中高频且结构稳定的多步文本动作压缩为单个潜在动作符号，从而在更高层级进行决策并缩短动作链条。实验表明，该方法在Qwen和Llama等模型上减少了20%至27%的动作token消耗，在保持任务成功率的同时提升了吞吐量并降低显存占用。模型仅需微调新增嵌入和LoRA约0.1%的参数，且可直接迁移至未见任务与工业级运行环境。