Apple ML 提出 SELFCOMPACT：代理自適應壓縮軌跡，成本降 30–70%且數學效能最高提升 18.1 分

Apple ML 於 2026 年 10 月發表 SELFCOMPACT，用模型可自行呼叫的壓縮工具與輕量 rubric，判斷代理軌跡何時應摘要、何時應保留完整脈絡。判斷條件包括子任務已完成或軌跡正在收斂；若仍在推導中或陷入停滯，則抑制壓縮。這套方法不需要微調或外部監督，旨在避免固定 token 門檻壓縮時刪除尚未完成的推導或搜尋結果。 論文在六項競賽數學與代理搜尋基準、七個模型上評估，結果顯示 SELFCOMPACT 的表現可匹敵或超越固定週期摘要；相較不使用摘要的基線，數學基準最高提升 18.1 分，代理搜尋提升 5–9 分，同時將每題成本降低 30–70%。研究也指出，未經提示的模型無法可靠判斷自身上下文何時開始失效，但 rubric 能補足這項能力缺口。 根據 SELFCOMPACT 的實作，工具回合結束後，系統會先檢查最小回合數、最小 token 數、壓縮週期與每條軌跡的上限等條件，再要求模型回答四個關於自身軌跡的問題；四項條件全部符合時才觸發壓縮。