MetaGPT等团队提出LAR降低Agent推理成本

2026年10月，MetaGPT联合多所高校提出潜在动作重参数化（LAR）技术，旨在通过缩短决策链降低Agent的推理成本。该方法将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整体动作链条。实验结果显示，在Qwen和Llama等主流模型上，LAR可减少20%至27%的动作token消耗，在保持任务成功率的同时有效提升吞吐量并降低显存占用。此外，该方案仅需微调新增嵌入和LoRA约0.1%的参数，且能直接迁移至未见任务与工业级运行环境中。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。