BudgetBench：本地 LLM 智能体记忆策略评测协议
原文标题：BudgetBench: A Budget-Tiered Protocol and Pilot Harness for Memory Strategy Evaluation in Local Large Language Model Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 BudgetBench，一种以每次调用输入 token 预算为自变量的评测协议与参考工具，用于比较本地大模型智能体的记忆策略。它在 2K 至 32K 预算区间扫描，记录质量、预算利用率、延迟与预算违规率，并揭示单预算评测掩盖的合规失败与非单调质量曲线。作者开源了协议、工具与可复现产物。
- 问题
- 本地 LLM 智能体的记忆策略缺乏统一评测，单预算评测会掩盖预算违规和非单调质量曲线。
- 方法
- 把每次调用输入 token 预算作为自变量，在 2K–32K 区间扫描，配可替换 MemoryStrategy 接口与确定性评分器。
- 结果
- 在 SWE-bench Verified、LongBench v2、LongMemEval 上暴露预算合规失败与非单调质量曲线；预算与全上下文方向尚无定论。
- 影响
- 为本地部署智能体的上下文/记忆选型提供了可复用的测量面，避免被单一预算的漂亮数字误导。
深读 · 结论先行AI 生成展开看要点与影响 ↓
BudgetBench把每次调用输入token预算当自变量，在2K-32K扫描，暴露单预算评测掩盖的违规与质量非单调。
- •协议固定模型、任务、采样器与解码，仅扫描2K/4K/8K/16K/32K五档预算。
- •记录质量、预算利用率、延迟，并把预算违规率列为一等结果。
- •试点含本地qwen2.5:1.5b（SWE-bench Verified与LongBench v2各89条）、托管Qwen3 30B-A3B 50条复现、500条LongMemEval oracle研究。
- •协议、工具与可复现产物已在GitHub开源（aviskaar/budgetbench）。
- •预算化与全上下文孰优仍未定论：本地切片近零差异，托管复现偏向一方。
为什么重要：本地智能体的上下文预算是稀缺资源，这条提供了可复用的测量面，适合做agent记忆策略选型的团队直接拿来跑对比。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。