Nvidia : résumer le contexte préserve les performances des agents IA

Ce que montrent les tests

Les chercheurs ont fait résumer leur historique aux agents dès qu'il atteignait une longueur donnée, avant de poursuivre. Ils ont surtout employé Claude Opus 4.5 d'Anthropic et GPT 5.6 Sol d'OpenAI sur six évaluations de tâches longues, dont SWE-bench Verified, Terminal-Bench 2.1, FRAMES et BFCLv3. Sur 22 configurations faisant varier la limite de contexte et le seuil de résumé, cinq au plus perdaient plus de 2 points par rapport à la référence.

Dans le montage où l'agent n'effectue qu'une action par tour et ne transmet qu'un état de tâche compressé, Claude Opus 4.5 passe de 70,0 à 70,2 sur SWE-bench Verified, tandis que GPT 5.6 Sol recule de 84,4 à 82,4. Sur LOONG, 1 600 questions, Claude Opus 4.5 obtient 70,1 en moyenne avec tous les documents, et 38,9 % de réponses parfaites. En sélectionnant et résumant les passages utiles sous 16 000 jetons, il atteint 79,3 et 53,4 %.

Des limites

Les résultats ne sont pas uniformes. En annexe, Qwen3 Coder Next avec résumé à 16K voit son taux de réussite sur SWE-bench chuter de 53,0 % à 3,6 %, un effondrement que l'article qualifie de catastrophique.

Les auteurs proposent aussi un « Semantic State Space Model », qui lit un état de tâche rédigé en langage naturel, agit, puis le réécrit. Ce n'est qu'un concept, ni entraîné ni évalué ici. Selon le résumé, ces résultats interrogent la nécessité des modèles de langage à long contexte.