PRO-LONG：程序化记忆实现长程推理

2026年10月15日，arXiv Artificial Intelligence 刊出由 Alexis Fox、Junlin Wang、Paul Rosu、Bhuwan Dhingra 提出并发布的 PRO-LONG 上下文管理框架。该工作面向长时程、探索性场景下的 LLM 智能体，采用极简设计，核心是程序化记忆：保留完整结构化交互日志，并用程序化工具高效检索历史，以缓解“保留信息越多、相关细节越难检索”的权衡。报道给出的评测结果包括：在 NetHack 上，使用 PRO-LONG 进行跨回合记忆带来递增收益，得分最高达到基础编码智能体的 2.2 倍；在完整的 ARC-AGI-3 公开游戏集上，PRO-LONG 相较该基线智能体在多个前沿模型上平均提升 18.0 个百分点，并匹配或超过最先进的专用 harness（best@2 最高 97.4%），同时使用的 token 减少 4.2–5.8 倍。相关代码与日志已随论文提供。目前尚无后续跟进报道。

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。