面向仓库导向的长时程对话上下文管理可扩展基准
计算机视觉与模式识别
2026-03-09 v1
摘要
近年来，大型语言模型 (LLM) 发展迅速，显著提升了其代码理解和生成能力，催生了强大的代码助手。然而，在实际仓库开发中，过长时的对话上下文可能会压倒模型，导致关键信息丢失和性能下降，从而限制了代码助手的实用性。现有的上下文管理方法主要针对通用对话，而针对仓库导向的解决方案则鲜有探索，这主要源于缺乏可靠的评估基准。为填补这一差距，我们提出 LoCoEval，即第一个专为仓库导向开发场景量身定制的长时程对话上下文管理基准。遵循三个关键原则，LoCoEval 通过 LLM 驱动的管道生成真实且多样化的仓库导向对话，捕捉迭代需求、噪声输入和回顾性问题等关键交互模式。我们在 LoCoEval 上评估了 7 个基线方法，包括 4 个代表性的上下文管理方法，采用 3 个高级 backbone LLM。结果揭示了单独 LLM 和现有方法，尤其是记忆系统，在仓库导向对话场景中的显著挑战。为解决这些限制，我们进一步提出一种将对话信息和仓库信息整合到统一记忆中的改进方法，该方法在所有基线方法中（除 *Oracle* 外）表现出更好的性能，并显示出鲁棒性。此外，我们研究了 various 因素对方法性能的影响，为未来研究提供了可操作的见解。
引用
@article{arxiv.2603.06357,
title = {LATO: 3D Mesh Flow Matching with Structured TOpology Preserving LAtents},
author = {Tianhao Zhao and Youjia Zhang and Hang Long and Jinshen Zhang and Wenbing Li and Yang Yang and Gongbo Zhang and Jozef Hladký and Matthias Nießner and Wei Yang},
journal= {arXiv preprint arXiv:2603.06357},
year = {2026}
}